[发明专利]一种基于改进YOLOv5的表面微小缺陷检测的方法

权利要求书

1.一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：该方法包括以下步骤：

S1：数据集制作，待测图像利用差分法生成差分图突出缺陷，切割图像并标注缺陷位置和类别信息，再用旋转、模糊和缩放，扩充样本，最后划分数据集；

S2：对YOLOv5改进，在Backbone添加CBAM注意力机制；

S3：在Neck三种检测尺度的基础上，增加小目标检测尺度；

S4：在Head采用DecoupledHead解耦头的改进提高网络精度；

S5：模型训练，导入数据集，结合预训练权重并设置参数后训练，用数据集验证效果；

S6：缺陷检测，待测图像生成差分图，与待测图像一起切割为小图，输入改进的YOLOv5网络检测，输出两种图整合后的缺陷信息。

2.根据权利要求1所述的一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：所述S1包括以下步骤：

S101：获取到带有表面缺陷的待测物图像，与完好的样品图像一起利用差分法输出差分后的差分图，同时保留原始彩色图像和差分图；

S102：根据图片尺寸把原图和差分图平均切割成为多份，增加缺陷在图像中的尺寸比例；

S103：使用标注软件在切割后的图像上标注缺陷的类别和位置信息；

S104：把标注完的数据集通过旋转、缩放、翻转和增加模糊度随机组合的方法扩充；

S105：把扩充完的数据集按照对应的比例划分为训练集、验证集和测试集。

3.根据权利要求2所述的一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：所述S2包括以下步骤：

S201：选用YOLOv5卷积神经网络基本框架，搭建用于缺陷检测的网络模型，模型分为四个部分，分别是Input、Backbone、Neck和Head；

S202：在Backbone部分添加CBAM注意力机制；具体是在Backbone的倒数第一个卷积层后加入CBAM注意力机制，经过通道注意力模块CAM和空间注意力模块SAM上的两重注意力权重能够提取到关键特征。

4.根据权利要求3所述的一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：所述S3中，在Neck部分增加小目标检测层；YOLOv5的网络结构中原本只有三个检测层，为提高网络对于小目标的检测率；在骨干网络的第二层开始增强特征，18层后增加上采样，扩大特征图，把19层的特征图和骨干网络第二层的特征图进行特征融合，增加的160×160检测层检测到大小为4×4像素的缺陷目标；四个检测层的设计使得网络能够预测微小、小、中、大的目标物体。

5.根据权利要求4所述的一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：所述S4中，利用DecoupledHead解耦头对YOLOv5网络模型的head模块的代码进行改进；YOLOv5结合DecoupledHead后，分别将类别信息与定位信息分别实现，使得分支单独处理各自的信息，在预测时合为一体。

6.根据权利要求5所述的一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：所述S5中，训练网络模型包括以下步骤：

S501：导入待检测物体外壳缺陷数据集到S2、S3、S4改进的YOLOv5网络中训练，选择预训练权重，设置好检测类别、训练迭代次数、训练样本数和输入图像尺寸的参数；

S502：训练过程不断调试参数，得到最优解，选取训练后的权重文件，并利用测试集对模型的性能进行评价，得到对应的网络性能关键信息。

7.根据权利要求6所述的一种基于改进YOLOv5的表面微小缺陷检测的方法，其特征在于：所述S6中，缺陷检测包含以下步骤：首先把待检测物体彩色表面图像和无缺陷样品图一起利用差分法输出差分图，其次把差分图像和彩色图像一起切割为小图以后导入改进的YOLOv5网络中，图像依次经过网络的Input、Backbone、Neck和Head输出小图中所有包含的缺陷数量和类别，最后再把小图的缺陷信息整合到原始大图中，完成最后的缺陷判断。