基于改进YOLO-v7模型的纤维预浸料缺陷检测方法及系统

技术领域

本发明属于机器视觉检测技术领域，具体涉及一种基于改进YOLO-v7模型的纤维预浸料缺陷检测方法及系统。

背景技术

目前，复合材料装备已经运用在汽车、军工、体育用品等各个行业领域中，表面质量良好的预浸料是制成良好复合材料构件的关键，纤维预浸料的缺陷形貌、缺陷个数以及缺陷大小将会直接影响所制成的材料装备的强度。

当前行业内对纤维预浸料表面缺陷的检测主要依靠视觉检测和激光扫描检测。其中，视觉检测是一种通过人眼或摄像头对纤维预浸料表面进行观察和识别的检测方法，它的优点是简单直观，但是该方法受限于检测人员的经验和判断，检测效率相对较低。而激光扫描检测具有高精度和高速检测的能力，能够实时在线检测表面缺陷，但是该方法对激光器的性能和扫描系统的精度要求较高。

针对以上问题，公开号为CN113935971A的专利文献提出一种复合材料表面缺陷的检测方法及装置，包括：利用检测设备获取待测复合材料表面图像；对所述图像进行预处理从而得到预处理样本；标注出所述训练样本中的缺陷的位置；将标注后的训练样本输入YOLO神经网络进行训练直至所述YOLO神经网络收敛；将测试样本输入到经过验证后的YOLO神经网络，识别出的缺陷的大小及置信度数值大于预设标准值时，将得到的缺陷信息保存并在原图像上标注位置坐标，将检测到的缺陷像素坐标转化成实际坐标。

但是由于YOLO神经网络对非常规形状的目标物体、体积较小的目标物体以及相互靠得很近的目标物体存在检测精度不佳的问题，所以该发明采用YOLO神经网络对复合材料表面缺陷的检测存在误差较大，泛化性能较差的问题。

公开号为CN116721291A的专利文献公开了基于改进YOLOv7模型的金属表面缺陷检测方法，包括：步骤1：采集缺陷金属表面图像，对图像进行数据增强和归一化处理；对图像进行标注，添加缺陷类型标签，得到缺陷金属表面数据集；步骤2：基于改进YOLOv7模型构建缺陷检测模型；YOLOv7模型包括特征提取、特征融合和分类回归三部分，对YOLOv7模型的改进为在YOLOv7模型的特征融合部分修改跨尺度融合支路，通过F-cat操作分别对浅层和深层特征进行融合，得到缺陷检测模型；F-cat操作对每个输入的特征赋予一个可学习的权重，再将赋予权重的特征进行拼接；步骤3：利用步骤1获得的图像对缺陷检测模型进行训练，将训练后的缺陷检测模型用于金属表面缺陷检测。

但是该发明对YOLOv7模型做的改进中，F-cat操作引入了额外的参数，增加了模型的复杂度，抑制了缺陷检测的速度。

发明内容

本发明的目的是提供一种基于改进YOLO-v7模型的纤维预浸料缺陷检测方法及系统，针对现有缺陷检测领域中，依靠人眼进行缺陷检测存在检测速度和检测精度上的不足，依靠现有的机器视觉方法进行缺陷检测同样存在检测精度低下、检测速度不高的问题，通过改进YOLO-v7模型实现纤维预浸料表面缺陷的自动检测，并提高检测速度和检测精度。为实现上述发明目的，本发明提供的技术方案如下：

第一方面，本发明提供了一种基于改进YOLO-v7模型的纤维预浸料缺陷检测方法，包括以下步骤：

步骤1：通过图像采集系统采集纤维预浸料的表面缺陷图像，并对所述表面缺陷图像进行预处理，得到初始数据集，其中包括训练集数据、验证集数据和测试集数据；

步骤2：基于YOLO-v7模型进行改进构建缺陷检测模型，所述改进包括：利用具有结构重参数化的特征提取模块提取图像特征，利用SimAM注意力机制赋予不同神经元不同的输入权重，利用解耦合检测层将缺陷位置与缺陷种类分开检测，利用Merge-NMS方法对缺陷检测结果中的检测框进行过滤；

步骤3：对缺陷检测模型进行网络参数设置，将所述训练集数据输入缺陷检测模型中进行训练，采用带动量的随机梯度下降算法，通过最小化损失函数得到初步训练好的缺陷检测模型；

步骤4：采用所述验证集数据验证初步训练好的缺陷检测模型，根据验证结果调整网络参数，使验证结果达到预期精度，并对初步训练好的缺陷检测模型进行量化处理，得到训练好的缺陷检测模型；

步骤5：将测试集数据输入训练好的缺陷检测模型，检测并标记测试集数据中纤维预浸料表面缺陷的缺陷种类、缺陷位置以及置信度。

本发明的技术构思为：针对现有缺陷检测领域中，通过人眼或现有的机器视觉方法进行缺陷检测都存在检测精度低下、检测速度不高的问题，本发明提出改进YOLO-v7模型，并基于改进的YOLO-v7模型结合机器视觉方法进行缺陷检测。通过工业线阵相机采集纤维预浸料表面缺陷的图像，用于构建训练集数据、验证集数据和测试集数据。对YOLO-v7模型的改进点如下：

针对YOLO-v7模型中采用主干特征提取网络进行特征提取时，对小体型目标的检测存在检测精度不足的问题，本发明提出采用具有结构重参数化的特征提取模块替换原有特征提取模块进行改进。在训练阶段，采用具有3×3卷积层与1×1卷积层的双分支训练策略，在预测阶段，通过将1×1卷积层填充为3×3的卷积形式，并将填充后的两路3×3卷积层进行融合，形成串行的3×3卷积层，在保证模型精度的前提下加快了检测速度。

针对纤维预浸料表面缺陷的多样性和复杂性，本发明提出采用SimAM注意力机制进行改进。通过计算不同神经元的能量函数，将能量函数封闭解的倒数作为不同神经元的输入权重，在不提升参数个数的情况下实现了更高效的缺陷位置定位及缺陷种类识别效果。

针对YOLO-v7模型中对目标位置和目标种类的检测采用耦合检测方式，存在着训练收敛慢，检测效果较差的问题，本发明提出采用解耦合检测层替换耦合检测进行改进。解耦合检测层能够实现对缺陷种类和缺陷位置解耦合检测，提高模型在训练过程的收敛速度，满足工业场景中对纤维预浸料表面缺陷的检测速度的要求的同时提高检测精度。

针对YOLO-v7模型中，采用传统的非极大值抑制方法严重依赖检测阈值的设定精度这一不足，本发明提出采用Merge-NMS方法替换非极大值抑制方法进行改进。所述Merge-NMS方法通过对检测结果中的检测框的置信度进行权重赋值，使检测框能够更好的和目标表面缺陷进行贴合，极大提升了表面缺陷的检测精度。

进一步的，步骤1中，所述通过图像采集系统采集纤维预浸料的表面缺陷图像，包括：

所述图像采集系统包括工业线阵相机与同轴光源；

所述工业线阵相机、同轴光源依次同轴垂直固定于纤维预浸料上方，在同轴光源的照射下，通过调整工业线阵相机的角度与曝光时间获取纤维预浸料的表面缺陷图像。

进一步的，步骤1中，对所述表面缺陷图像进行预处理，包括：

采用LabelImg工具标注所述表面缺陷图像的缺陷区域，并筛选掉不合格的表面缺陷图像，生成适用于YOLO网络训练格式的txt文本标注文件；

使用引导滤波器对表面缺陷图像进行去噪处理，实现图像增强；

对图像增强过的表面缺陷图像进行包括翻转、平移、裁剪、添加高斯噪声在内的离线数据增强。

进一步的，步骤2中，所述具有结构重参数化的特征提取模块，在训练阶段，采用具有3×3卷积层与1×1卷积层的双分支训练策略，在预测阶段，通过将1×1卷积层填充为3×3的卷积形式，并将填充后的两路3×3卷积层进行融合，形成串行的3×3卷积层，在保证缺陷检测模型精度不变的前提下提高了检测速度。

进一步的，步骤2中，所述采用SimAM注意力机制赋予不同神经元不同的输入权重，通过计算神经元的能量函数，将所述能量函数封闭解的倒数作为各个神经元的输入权重，在不提升参数个数的情况下实现了更高效的缺陷位置定位及缺陷种类识别效果。

进一步的，步骤3中，对缺陷检测模型进行网络参数设置，所述网络参数包括学习率、批量大小、动量参数和权重衰减。

进一步的，步骤3中，所述最小化损失函数，包括：使用CIoU损失函数作为缺陷检测模型的缺陷位置损失函数，使用二进制交叉熵损失函数作为缺陷检测模型的缺陷种类损失函数和置信度损失函数。

进一步的，步骤4中，所述对初步训练好的缺陷检测模型进行量化处理，采用TensorRT量化方案将初步训练好的缺陷检测模型的pt格式的权重文件转换为engine格式的权重文件，为训练好的缺陷检测模型的部署和推理提供便利，提高模型的检测速度。

第二方面，为实现上述发明目的，本发明还提供了一种基于改进YOLO-v7模型的纤维预浸料缺陷检测装置，包括图像采集模块、模型改进模块、模型训练模块、模型验证模块、缺陷检测模块；

所述图像采集模块用于通过图像采集系统采集纤维预浸料的表面缺陷图像，并对所述表面缺陷图像进行预处理，得到初始数据集，其中包括训练集数据、验证集数据和测试集数据；

所述模型改进模块用于基于YOLO-v7模型进行改进构建缺陷检测模型，所述改进包括：利用具有结构重参数化的特征提取模块提取图像特征，利用SimAM注意力机制赋予不同神经元不同的输入权重，利用解耦合检测层将缺陷位置与缺陷种类分开检测，利用Merge-NMS方法对缺陷检测结果中的检测框进行过滤；

所述模型训练模块用于对缺陷检测模型进行网络参数设置，将所述训练集数据输入缺陷检测模型中进行训练，采用带动量的随机梯度下降算法，通过最小化损失函数得到初步训练好的缺陷检测模型；

所述模型验证模块用于采用所述验证集数据验证初步训练好的缺陷检测模型，根据验证结果调整网络参数，使验证结果达到预期精度，并对初步训练好的缺陷检测模型进行量化处理，得到训练好的缺陷检测模型；

所述缺陷检测模块用于将测试集数据输入训练好的缺陷检测模型，检测并标记测试集数据中纤维预浸料表面缺陷的缺陷种类、缺陷位置以及置信度。

第三方面，为实现上述发明目的，本发明还提供了一种基于改进YOLO-v7模型的纤维预浸料缺陷检测设备，包括存储器和处理器，所述存储器用于存储计算机程序，所述处理器用于当执行所述计算机程序时，实现第一方面本发明提供的基于改进YOLO-v7模型的纤维预浸料缺陷检测方法。

本发明的有益效果如下：

(1)本发明提出采用结构重参数化的特征提取模块，在训练阶段采用具有3×3卷积层与1×1卷积层的双分支训练策略提高模型检测性能，在预测阶段，通过对1×1卷积层进行填充为3×3的卷积形式，并将填充后的两路3×3卷积层进行融合，最终形成串行的3×3卷积层，在保证模型精度不变的前提下提高了模型的检测速度；

(2)本发明提出采用SimAM注意力机制模块，通过计算神经元的能量函数，将所述能量函数封闭解的倒数作为各个神经元的输入权重，在不提升参数个数的情况下实现了更高效的缺陷位置定位及缺陷种类识别效果；

(3)本发明提出采用解耦合检测层，在不同的特征图中分别进行缺陷种类和缺陷位置的检测，实现了缺陷位置与缺陷种类的解耦合检测，加快了模型训练的收敛速度，提高了对缺陷的检出率与精确率，满足了在工业场景中对纤维预浸料表面缺陷的检测速度的要求；

(4)本发明提出采用Merge-NMS方法替换标准非极大值抑制方法，所述Merge-NMS方法通过对检测框的置信度进行权重赋值，使检测框能够更好的和目标表面缺陷进行贴合，极大提升了表面缺陷的检测精度。

附图说明

图1是本发明实施例提供的基于改进YOLO-v7模型的纤维预浸料缺陷检测方法的流程示意图。

图2是本发明实施例提供的基于图像采集系统进行图像采集的结构示意图，其中，(a)表示单通道工业线阵相机，(b)表示纤维预浸料，(c)表示同轴光源，(d)表示缺陷实体。

图3是本发明实施例提供的数据预处理和检测方法的细化流程示意图。

图4是本发明实施例提供的结构重参数化的流程示意图。

图5是本发明实施例提供的具有结构重参数化的特征提取模块的流程示意图。

图6是本发明实施例提供的SimAM注意力机制模块的结构示意图。

图7是本发明实施例提供的解耦合检测层的结构示意图。

图8是采用本发明实施例提供的缺陷检测模型整体结构示意图。

图9是本发明实施例提供的缺陷检测结果图，其中，(1)和(2)表示碳纤维表面缺陷检测结果，(3)表示玻璃纤维表面缺陷检测结果。

图10是本发明实施例提供的基于改进YOLO-v7模型的纤维预浸料缺陷检测装置的流程示意图。

具体实施方式

为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅用以解释本发明，并不限定本发明的保护范围。

图1是本发明实施例提供的基于改进YOLO-v7模型的纤维预浸料缺陷检测方法的流程图。如图1所示，实施例提供了一种基于改进YOLO-v7的纤维预浸料缺陷检测方法，包括以下步骤：

S110，通过图像采集系统采集纤维预浸料的表面缺陷图像，并对所述表面缺陷图像进行预处理，得到初始数据集，其中包括训练集数据、验证集数据和测试集数据。

首先搭建图像采集系统，如图2所示，所述图像采集系统包括单通道工业线阵相机(a)和同轴光源(c)。垂直于纤维预浸料(b)平面的正上方依次固定有同轴光源(c)和单通道工业线阵相机(a)，纤维预浸料(b)上随机分布缺陷实体(d)。在同轴光源(c)的照射下，利用单通道工业线阵相机(a)对收集到的带有缺陷实体(d)的纤维预浸料(b)进行拍摄，拍摄过程中，纤维预浸料(b)以速度v单向匀速缓慢移动。从单通道工业线阵相机(a)拍摄到的画面中提取表面缺陷图像进行保存。

图3展示了数据预处理的细化流程示意图，所述数据预处理包括：LabelImg图像标注、图像增强、数据增强和数据划分。

采用LabelImg工具标注采集到的表面缺陷图像中的缺陷区域，并对保存的表面缺陷图像进行筛选，对质量严重不佳的表面缺陷图像进行剔除，标注后得到适用于YOLO网络训练格式的txt文本标注文件。

对表面缺陷图像进行进一步的预处理操作：包括对表面缺陷图像进行图像增强和离线数据增强。其中，图像增强方法使用引导滤波器对表面缺陷图像进行去噪处理，并增强表面缺陷图像中缺陷区域的对比度，图像增强具体过程用公式表示为：

q

其中，I表示引导图像(guided Image)，p

其中，ω表示窗口内像素点的个数，下标k表示第k个像素点，μ

所述离线数据增强方法，包括图像的翻转、平移、裁剪和添加高斯噪声。

基于预处理后的表面缺陷图像以及所述txt文本标注文件，建立初始数据集，并随机从初始数据集中选择70％作为训练集数据，20％作为验证集数据，10％作为测试集数据。

S120，基于YOLO-v7模型进行改进构建缺陷检测模型，所述改进包括：利用具有结构重参数化的特征提取模块提取图像特征，利用SimAM注意力机制赋予不同神经元不同的输入权重，利用解耦合检测层将缺陷位置与缺陷种类分开检测，利用Merge-NMS方法对缺陷检测结果中的检测框进行过滤。

本实施例中，根据纤维预浸料表面缺陷检测应用场景的需求，对YOLO-v7模型进行改进，并基于改进的YOLO-v7模型构建纤维预浸料缺陷检测模型。改进点如下：

为了实现高精度的缺陷检测效果，同时保证模型的预测速度满足工业使用场景，本发明实施例设计了具有结构重参数化的特征提取模块(ERAM)，图4为结构重参数化的流程示意图，图5为具有结构重参数化的特征提取模块结构示意图。

如图4所示，结构重参数化涉及特征提取模块(CBS)中的卷积层(Conv2d)与批归一化层(BN)的融合以及融合后再进行卷积分支的线性求和，通过SiLU激活函数进行激活，得到的重参数化模块(RepBlock)作为本发明所提出的ERAM特征提取模块中的核心模块。其中，卷积层由具有3×3卷积(k＝3，s＝1)与1×1卷积(k＝1,s＝1)的双分支结构堆叠组成，其中，k表示卷积核，s表示步距。

在训练阶段，采用双分支结构进行图像特征提取，在推理预测阶段，首先将1×1的卷积通过Padding操作进行0元素填充，转换为3×3卷积的形式，其次，将两个分支上的3×3卷积与BN层进行融合。融合过程用公式表示为：

其中，x表示输入，BN(Conv(x))表示将卷积层代入批归一化层中得到融合后的卷积形式，γ、μ、σ

如公式(3)所示，融合后的卷积层权重表示为

y＝(W

其中，y表示融合后最终的单个3×3卷积模块，W

如图5所示，将参数为H×W×C的表面缺陷图像输入特征提取模块，其中，H表示表面缺陷图像的高度，W表示表面缺陷图像的宽度，C表示通道数量。通过CBS对输入的表面缺陷图像进行特征提取获得相应的特征图，为了简化计算量，经过Split对特征图在通道维度上进行平均拆分为两份，其中一份特征图经过n个RepBlock网络，另一份通过捷径分支直接与RepBlock网络的输出相连接，获得该特征提取模块融合后的缺陷图像特征，提高了检测速度。

为进一步提高模型对缺陷的定位检测能力，本发明提出采用SimAM注意力机制模块，如图6所示，DS-A表示融合了SimAM注意力机制的下采样层。SimAM注意力机制模块作为一种3维的注意力机制，从神经元的角度出发，通过求解能量函数的封闭解，赋予不同神经元相应的权重值，在不额外增加参数的情况下实现了更高效的缺陷位置定位及缺陷种类识别效果。

所述能量函数用公式表示为：

其中，e

其中，

进一步的，本发明提出将检测层由原本的耦合预测输出的方式进行解耦，将缺陷种类和缺陷位置任务在不同的特征图上进行，如图7所示，在不同的CBS输出的不同的特征图中，分别进行缺陷位置、缺陷种类和置信度的检测，有效提高了分类的准确度与定位精度。

进一步的，本发明提出将原先YOLO-v7模型的检测框过滤方式改为Merge-NMS，所述Merge-NMS方法通过对检测框的置信度进行权重赋值，使检测框能够更好的和目标进行贴合。

通过以上几点改进方案，实现了对YOLO-v7模型的改进，并基于改进的YOLO-v7模型得到缺陷检测模型，整体网络结构如图8所示。

S130，对缺陷检测模型进行网络参数设置，将所述训练集数据输入缺陷检测模型中进行训练，采用带动量的随机梯度下降算法，通过最小化损失函数得到初步训练好的缺陷检测模型。

本实施例中，对缺陷检测模型进行网络参数设置，包括将学习率初始化为0.01，动量参数设置为0.937，权重衰减设置为0.0005，训练迭代次数设定为1000，批量大小初始化为32。

将训练集数据中的训练图片的分辨率调整至640×640像素，使用CIoU损失函数(CIoU-LOSS)作为缺陷检测模型的缺陷位置损失函数，使用二进制交叉熵损失函数(BCE-LOSS)作为缺陷检测模型的缺陷种类损失函数和置信度损失函数。CIoU-LOSS用公式表示为：

其中，L

其中α和v用公式表示为：

其中，h表示预测框的高度，w表示预测框的宽度，h

BCE-LOSS用公式表示为：

其中，n是输入的样本数，y

缺陷检测模型在训练过程采用带动量的随机梯度下降算法，以此对改进的YOLO-v7模型中的参数进行迭代更新，并在训练的过程中使用图像增强操作，包括一定概率的缩放、翻转、平移、旋转、颜色变换、混合图像和随机多尺度操作。将迭代至最大设定次数后得到的网络参数作为最优的网络参数，完成训练，得到初步训练好的缺陷检测模型。

S140，采用所述验证集数据验证初步训练好的缺陷检测模型，根据验证结果调整网络参数，使验证结果达到预期精度，并对初步训练好的缺陷检测模型进行量化处理，得到训练好的缺陷检测模型。

使用验证集数据对初步训练好的缺陷检测模型进行验证，根据验证结果调整网络参数，包括学习率、批量大小、动量参数和权重衰减，并重新训练直至验证结果达到预期精度为止，本实施例中，为了保证缺陷检测效率与检测精度，预期精度设置为不低于97％。

验证结果达到预期精度之后，得到参数调整后的缺陷检测模型，对参数调整后的缺陷检测模型的网络进行基于TensorRT的量化处理，将pt格式的权重转换为engine格式的权重，以提高模型的检测速度，最终得到训练好的缺陷检测模型。

S150，将测试集数据输入训练好的缺陷检测模型，检测并标记测试集数据中纤维预浸料表面缺陷的缺陷种类、缺陷位置以及置信度。

如图9所示，将测试集数据输入训练好的缺陷检测模型中，模型对测试集数据中纤维预浸料的表面缺陷进行检测识别，并标记出纤维预浸料表面缺陷图像中的缺陷位置、缺陷种类以及置信度。

本实施例中，以对碳纤维表面缺陷和玻璃纤维表面缺陷的检测为例。图9中的(1)和(2)为采用本发明提出的缺陷检测模型对碳纤维表面缺陷进行缺陷检测的检测结果图。其中，(1)表示检测结果为毛团，检测框明确框出了缺陷的位置，置信度为0.88，表示此处的缺陷类型为毛团的可能性很大；(2)表示检测结果为褶皱，检测框明确框出了图像中的多个缺陷的具体位置，左侧褶皱的置信度为0.56，表示此处的缺陷类型为褶皱的可能性很大，右侧置信度为0.2，表示该处的缺陷类型为褶皱的可能性较大。

需要说明的是，本发明能够检测的缺陷种类根据具体的工业场景及人为需求确定，即在训练阶段前，对采集到的表面缺陷图像中的缺陷位置及种类进行人为标注，通过标注的缺陷信息对模型进行训练，最终推理阶段得到的检测结果中的缺陷种类，包含于人为标注的缺陷种类范围内。示意性地，本实施例中，碳纤维表面缺陷检测结果中的缺陷种类为：毛团、褶皱或者无缺陷；玻璃纤维表面缺陷检测结果中的缺陷种类为：有缺陷或无缺陷。

图9中的(3)为采用本发明提出的缺陷检测模型对玻璃纤维表面缺陷进行缺陷检测的检测结果图。其中，检测框明确框出了缺陷的位置，并且此处的缺陷的置信度为0.86，表明此处有缺陷的可能性很大。

得到纤维预浸料表面缺陷检测之后，根据初步设定的缺陷分级评价体系，对生产完毕后的预浸料卷进行自动分级评价。

基于同样的发明构思，本发明实施例还提供了一种基于改进YOLO-v7模型的纤维预浸料缺陷检测装置500，如图10所示，包括图像采集模块510、模型改进模块520、模型训练模块530、模型验证模块540、缺陷检测模块550；

其中，图像采集模块510用于通过图像采集系统采集纤维预浸料的表面缺陷图像，并对所述表面缺陷图像进行预处理，得到初始数据集，其中包括训练集数据、验证集数据和测试集数据；

模型改进模块520用于基于YOLO-v7模型进行改进构建缺陷检测模型，所述改进包括：利用具有结构重参数化的特征提取模块提取图像特征，利用SimAM注意力机制赋予不同神经元不同的输入权重，利用解耦合检测层将缺陷位置与缺陷种类分开检测，利用Merge-NMS方法对缺陷检测结果中的检测框进行过滤；

模型训练模块530用于对缺陷检测模型进行网络参数设置，将所述训练集数据输入缺陷检测模型中进行训练，采用带动量的随机梯度下降算法，通过最小化损失函数得到初步训练好的缺陷检测模型；

模型验证模块540用于采用所述验证集数据验证初步训练好的缺陷检测模型，根据验证结果调整网络参数，使验证结果达到预期精度，并对初步训练好的缺陷检测模型进行量化处理，得到训练好的缺陷检测模型；

缺陷检测模块550用于将测试集数据输入训练好的缺陷检测模型，检测并标记测试集数据中纤维预浸料表面缺陷的缺陷种类、缺陷位置以及置信度。

基于同样的发明构思，实施例还提供了一种基于改进YOLO-v7模型的纤维预浸料缺陷检测设备，包括存储器和处理器，其中，存储器用于存储计算机程序，处理器用于当执行所述计算机程序时，实现上述基于改进YOLO-v7模型的纤维预浸料缺陷检测方法。

需要说明的是，上述实施例提供的基于改进YOLO-v7模型的纤维预浸料缺陷检测装置和基于改进YOLO-v7模型的纤维预浸料缺陷检测设备，均与基于改进YOLO-v7模型的纤维预浸料缺陷检测方法实施例属于同一构思，其具体实现过程详见基于改进YOLO-v7模型的纤维预浸料缺陷检测方法实施例，这里不再赘述。

以上所述，仅为本发明的优选实施案例，并非对本发明做任何形式上的限制。虽然前文对本发明的实施过程进行了详细说明，对于熟悉本领域的人员来说，其依然可以对前述各实例记载的技术方案进行修改，或者对其中部分技术特征进行同等替换。凡在本发明精神和原则之内所做修改、同等替换等，均应包含在本发明的保护范围之内。