[发明专利]一种基于改进YOLOv4铝材表面缺陷识别方法

说明书

本发明涉及表面缺陷识别技术领域，提供一种基于改进YOLOv4铝材表面缺陷识别方法，包括：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。本发明能够使网络有选择性的增强信息特征，进而提升对小目标的检测能力，增强网络的特征提取能力。

技术领域

本发明涉及表面缺陷识别技术领域，尤其涉及一种基于改进YOLOv4铝材表面缺陷识别方法。

背景技术

铝金属材料硬度强，耐腐蚀性高且具有良好的导电导热性，广泛应于工业发展和生产生活中。在生产中铝材过程中由于各方面因素的影响，会产生擦花、喷流、杂色等表面缺陷，这些缺陷影响金属材料的质量，检查缺陷并将分类缺陷的大小、名称、形状和每个缺陷的位置等信息反馈给工作人员很重要。传统的金属表面缺陷识别依靠工作人员手动操作完成，利用具有丰富经验的检测人员对铝材表面进行周期性的检测和修复，这种方法既耗时，效率也非常低，工作人员在检测过程中不可避免存在错检、漏检的情况。

20世纪以来，深度学习作为机器视觉领域的重要突破，被广泛应用于目标检测任务，在识别表面缺陷方面取得了长足的进步。目前，基于深度学习的目标检测算法分为两类：一类是两阶段检测算法，主要以R-CNN(Region with CNN features)、Fast R-CNN(FastRegion with CNN features)、Faster R-CNN(Faster Region with CNN features)为代表，该类型算法首先产生候选区域，再区分候选区域，对含有目标的候选区域进行修订与回归，这类算法错识别和漏识别率较低，具有良好的精测精度，但提取过程复杂致使速度较慢。另一类是一阶段检测算法，典型代表算法有如YOLO(You Only Look Once)、SSD(SingleShot MultiBox Detector|SpringerLink)、RetinaNet等，其中YOLO系类算法是当前比较流行的目标检测算法，该算法对物体的类别概率和位置坐标值进行预测，通过输入端到输出端的模型结构直接得到最终的输出结果。与两阶段算法相比一阶段算法有更快的检测速度。

发明内容

本发明主要解决现有技术的铝材表面缺陷识别精度低、小目标检测性能差等技术问题，提出一种基于改进YOLOv4铝材表面缺陷识别方法，使网络有选择性的增强信息特征，进而提升对小目标的检测能力，增强网络的特征提取能力。

本发明提供一种基于改进YOLOv4铝材表面缺陷识别方法，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。

进一步的，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。

进一步的，在步骤300中，所述K-means算法的过程如下：