[发明专利]一种基于改进YOLOv4铝材表面缺陷识别方法

权利要求书

1.一种基于改进YOLOv4铝材表面缺陷识别方法，其特征在于，包括以下过程：

步骤100，获取铝材缺陷图像的数据集；

步骤200，建立改进YOLOv4缺陷识别网络；

步骤300，利用K-means算法，调整改进YOLOv4缺陷识别网络的先验框；

步骤400，利用铝材缺陷图像的数据集，对调整先验框后的改进YOLOv4缺陷识别网络进行训练，得到缺陷识别模型；

步骤500，将待识别铝材图像输入到缺陷识别模型中，识别出表面缺陷。

2.根据权利要求1所述的基于改进YOLOv4铝材表面缺陷识别方法，其特征在于，所述改进YOLOv4缺陷识别网络，包括：特征提取单元、特征融合单元和检测单元；

所述特征提取单元，包括：输入模块、卷积模块、改进的CSP模块；其中，CSP模块添加SENet注意力机制；

所述特征融合单元，包括：卷积模块、最大池化模块、拼接模块、上采样模块、下采样模块；

所述检测单元，包括：检测头模块。

3.根据权利要求2所述的基于改进YOLOv4铝材表面缺陷识别方法，其特征在于，在步骤300中，所述K-means算法的过程如下：

步骤301，随机选取聚类中心：所有真实框作为聚类对象，随机选取k个作为初始聚类中心；

步骤302，根据距离进行分簇：计算聚类中心与所有真实框的交并比IOU，那么根据真实框和聚类中心得距离为1-IOU(box，centroid)，将每个真实框分给距离最近的聚类中心，形成K个簇；其中，距离度量公式：

d(box，centroid)＝1-IOU(box，centroid)(1)

步骤303，更新聚类中心：计算簇中所有聚类对象宽和高的均值，得到新的聚类中心；

步骤304，重复步骤302、步骤303：当聚类中心基本不变或达到最大迭代次数时停止。最终得出铝材缺陷真实框的聚类结果。

4.根据权利要求2所述的基于改进YOLOv4铝材表面缺陷识别方法，其特征在于，训练的硬件平台配置参数如下：AMD Ryzen 7 5800H with Radeon Graphics八核处理器，NVIDIAGeForce RTX 3060Laptop GPU的显卡，三星MZVLB512HBJQ-000L2；

软件配置：基于64位的windows11操作系统，基于pytorch的detectron2的框架，基于CUDA11.3，OpenCV2库及PyCharm集成开发环境。