[发明专利]一种基于改进YOLOv5的表面微小缺陷检测的方法

说明书

本发明涉及一种基于改进YOLOv5的表面微小缺陷检测的方法，属于目标检测领域。该方法包括如下步骤：S1，数据集制作，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，输出两种图整合后的缺陷信息。本发明对典型的亮面、暗面、光面、磨砂面、纹理面等物体的表面缺陷进行识别，识别出常见的大尺寸、中尺寸、小尺寸、微小尺寸的缺陷，能够满足质检的实时性要求。

技术领域

本发明属于目标检测领域，涉及一种基于改进YOLOv5的表面微小缺陷检测的方法。

背景技术

目前在大部分生产工厂，人工检测仍然是生产过程中的主要质检方法。由于人工检测存在人体疲劳、检测速度慢、标准不统一、人为主观因素的干扰大等问题，所以人工检测效率低、准确性较差。但由于机器视觉技术具有非接触、安全可靠、无疲劳等人工检测无法比拟的优点，还可以减少人工造成的二次伤害，能降低检测成本，提高生产效率和产品质量。所以将机器视觉应用于产品表面缺陷检测将是未来质检发展的一个必要方向。

在整个机器视觉的技术发展时间来看，以2012年为分界线，现有工业缺陷检测方法分为传统方法和深度学习方法两个阶段。传统的工业缺陷检测方法主要包含基于纹理特征(如：直方图统计、灰度共生矩阵、傅利叶变换、Gabor滤波器等)、颜色特征(如：颜色直方图、颜色矩、颜色、相关适量)、形状特征(如：霍夫变换、傅立叶形状描述子等)的产品表面缺陷检测方法。在后续深度学习的工业缺陷检测包含监督法、无监督法、弱监督法。监督法中，AlexNet、VGGNet、GoogLeNet是分类网络的典型代表，FasterR-CNN、YOLO、SSD是检测网络的典型代表，FCN、MaskRCNN是图像分割网络的代表。无监督法中，自编码器(AE)、生成对抗网络(GAN)和深度置信网络(DBN)是比较具有代表性的网络。弱监督法，通常是有监督法和无监督法的一种结合。现在有很多已经实际应用的机器视觉工业缺陷检测案例。

但含有微小缺陷的产品是最难检测的缺陷之一。这主要是与产品表面上的缺陷形态有关，因为产品的缺陷相对较小，并且在生产过程中存在许多类型不同缺陷，如划痕、污渍、磕碰、凹痕和其他来源不明的缺陷等，不同类型的缺陷在图像中的表现不同。同时有的产品外壳的材质特殊，需要在一定的光线和合适的角度才可以识别到缺陷。所以产品外壳微小缺陷检测方面，相关实际落地案例还比较缺乏。

发明内容

有鉴于此，本发明的目的在于提供一种基于改进YOLOv5的表面微小缺陷检测的方法，能够实现对产品外表大尺寸、中尺寸、小尺寸、微小尺寸的缺陷进行识别，相较于YOLOv5原网络检测效率与精度的可以显著提高，同时实时性能满足实际工业质检的要求。

为达到上述目的，本发明提供如下技术方案：

一种基于改进YOLOv5的表面微小缺陷检测的方法，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。

可选的，所述S1包括以下步骤：