一种基于YOLOv5的钢卷端面缺陷检测方法、装置和介质

技术领域

本发明涉及一种基于YOLOv5的钢卷端面缺陷检测方法、装置和介质，属于钢卷端面质量检测技术领域。

背景技术

随着科技的发展，以深度学习为代表的人工智能算法借助超强的算力和大量的训练样本得以脱颖而出。并且深度学习在图像分类、目标检测、图像分割等领域得到了充分应用并表现出优异的性能。在目标检测领域，近年来涌现出了许多检测精度高并且速度快的算法。但是当处理具体的任务时，这些算法会出现很多的问题。比如对于产线出口处的钢卷端面进行塔形、溢出边、边损、边裂缺陷检测。由于钢卷端面的尺寸为2m但缺陷的尺寸为毫米级，两者差异较大。虽然YOLOv5的多尺度特征融合部分将不同感受野的特征进行融合以增强网络对于各个尺度物体的检测能力，但融合后的信息依然不足以使模型对小目标的检测结果表现出优异的效果，使得模型对于钢卷端面的检测会产生漏检、误检等现象。并且由于YOLOv5的检测头是用于常规物体下的检测环境，输入检测头的特征图尺寸较毫米级的缺陷而言太小，小尺寸的特征图所对应的感受野太大，所以也会产生上述的漏检、误检的错误。

发明内容

本发明目的是提供了一种基于YOLOv5的钢卷端面缺陷检测方法、装置和介质，解决产线钢卷端面缺陷检测能力不足。

本发明为实现上述目的，通过以下技术方案实现：

将钢卷固定，并通过工业相机采集钢卷端面图像，通过图像质量评估算法提升图像质量，再将图像进行预处理，将预处理完成的图像分为测试集和训练集；

构建改进YOLOv5的小目标检测模型，并通过训练集训练改进YOLOv5的小目标检测模型；所述改进YOLOv5的小目标检测模型包括主干网络、Neck模块和Head模块；

所述Neck模块包括FPN模块和PAN模块，所述Neck模块中主干网络提取的特征信息通过Concat拼接后输入全局上下文信息提取模块，所述Neck模块还增加一个针对钢卷缺陷检测的细粒度信息提取模块，

所述细粒度信息提取模块具体操作如下：特征图上采样8倍后与主干网络中下采样4倍特征图通过Concat拼接后经过全局上下文信息提取模块处理，输入到PAN模块的CSP模块，将结果输出到Head模块；

将测试集输入到训练完成的改进YOLOv5的小目标检测模型中，通过主干网络进行特征提取，将提取的特征图通过全局上下文信息提取模块进行多尺度特征提取；

将提取到的多尺度特征在Neck模块进行筛选融合，并将融合后的特征图通过细粒度信息提取模块进行缺陷信息提取；

将提取到的信息通过通道加权后进行预测，得到钢卷缺陷检测结果。

优选的，所述全局上下文信息提取模块包括3路卷积，卷积核尺寸分别为3×3、5×5、7×7，步长为1，全零填充值分别为1、2、3，所述卷积通过Concat方式融合后经过通道注意力机制模块加权然后输出。

优选的，所述Head模块包括4个检测头，分别为下采样32倍检测头、下采样16倍检测头、下采样8倍检测头、下采样4倍检测头。

优选的，所述下采样4倍检测头输入特征具体如下：

将主干网络中的下采样32倍特征图经过第一CBS模块、上采样后与主干网络中下采样16倍特征图通过Concat拼接和全局上下文信息提取模块处理，再经过第一CSP模块、第二CBS模块和上采样后与主干网络中下采样8倍特征图通过Concat拼接和全局上下文信息提取模块处理，在经过第二CSP模块、第三CBS模块和上采样后与主干网络中下采样4倍特征图拼接和全局上下文信息提取模块处理，再经过第三CSP模块处理作为下采样4倍检测头输入特征。

优选的，所述下采样8倍检测头输入特征具体如下：

将第三CSP模块输出特征经过第四CBS模块后与第三CBS模块输出特征通过Concat拼接，再经过第四CSP模块处理作为下采样8倍检测头输入特征。

优选的，所述下采样16倍检测头输入特征具体如下：

将第四CSP模块的输出特征经过第五CBS模块处理后与第二CBS模块输出特征通过Concat拼接，再经过第五CSP模块处理作为下采样16倍检测头输入特征。

优选的，所述下采样32倍检测头输入特征具体如下：

将第五CSP模块的输出特征经过第六CBS模块处理后与第一CBS模块输出特征通过Concat拼接，再经过第六CSP模块处理作为下采样32倍检测头输入特征。

本发明的优点在于：本发明增加全局上下文信息提取模块，通过多尺度特征融合和特征注意力模块对上下文信息进行特征增强，丰富网络提取的特征信息，以此增加网络对钢卷小尺寸缺陷的检测能力。还增加了细粒度特征增强模块，通过增加专用于小目标检测的检测头，以及特征注意力机制重要通道加权的方式，对细粒度信息进行加强，提升网络对钢卷小尺寸缺陷的检测能力。解决了当前检测中容易出现漏检误检等情况

附图说明

附图用来提供对本发明的进一步理解，并且构成说明书的一部分，与本发明的实施例一起用于解释本发明，并不构成对本发明的限制。

图1为本发明模型结构示意图。

图2为本发明流程结构示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1

如图2所示，一种基于YOLOv5的钢卷端面缺陷检测方法，通过以下技术方案实现：

将钢卷固定，并通过工业相机采集钢卷端面图像，通过图像质量评估算法对成像质量不达标时进行自动对焦，补光保证输入模型的图像质量，再将图像通过图像缩放与数据增强进行预处理，将预处理完成的图像分为测试集和训练集；

如图1所示，构建改进YOLOv5的小目标检测模型，并通过训练集训练改进YOLOv5的小目标检测模型；所述改进YOLOv5的小目标检测模型包括主干网络、Neck模块和Head模块；

所述Neck模块包括FPN模块和PAN模块，所述Neck模块中主干网络提取的特征信息通过Concat拼接后输入全局上下文信息提取模块，所述Neck模块还增加一个针对钢卷缺陷检测的细粒度信息提取模块，所述全局上下文信息提取模块包括3路卷积，卷积核尺寸分别为3×3、5×5、7×7，步长为1，全零填充值分别为1、2、3，所述卷积通过Concat方式融合后经过通道注意力机制模块加权然后输出。这样的设置为了保证钢卷端面特征图可以在经过卷积后尺寸保持不变，避免丢失重要的特征信息，并且便于后续的特征融合

所述细粒度信息提取模块具体操作如下：特征图上采样8倍后与主干网络中下采样4倍特征图通过Concat拼接后经过全局上下文信息提取模块处理，输入到PAN模块的CSP模块，将结果输出到Head模块；

所述Head模块包括4个检测头，分别为下采样32倍检测头、下采样16倍检测头、下采样8倍检测头、下采样4倍检测头。在原有模型基础上增加了下采样4倍的检测头，其感受野较其它三个检测头而言更小，使得模型对于钢卷端面小样本瑕疵的检测性能更加优秀

所述下采样4倍检测头输入特征具体如下：

将主干网络中的下采样32倍特征图经过第一CBS模块、上采样后与主干网络中下采样16倍特征图通过Concat拼接和全局上下文信息提取模块处理，再经过第一CSP模块、第二CBS模块和上采样后与主干网络中下采样8倍特征图通过Concat拼接和全局上下文信息提取模块处理，在经过第二CSP模块、第三CBS模块和上采样后与主干网络中下采样4倍特征图拼接和全局上下文信息提取模块处理，再经过第三CSP模块处理作为下采样4倍检测头输入特征。

所述下采样8倍检测头输入特征具体如下：

将第三CSP模块输出特征经过第四CBS模块后与第三CBS模块输出特征通过Concat拼接，再经过第四CSP模块处理作为下采样8倍检测头输入特征。

所述下采样16倍检测头输入特征具体如下：

将第四CSP模块的输出特征经过第五CBS模块处理后与第二CBS模块输出特征通过Concat拼接，再经过第五CSP模块处理作为下采样16倍检测头输入特征。

所述下采样32倍检测头输入特征具体如下：

将第五CSP模块的输出特征经过第六CBS模块处理后与第一CBS模块输出特征通过Concat拼接，再经过第六CSP模块处理作为下采样32倍检测头输入特征。

将测试集输入到训练完成的改进YOLOv5的小目标检测模型中，通过主干网络进行特征提取，将提取的特征图通过全局上下文信息提取模块进行多尺度特征提取；

将提取到的多尺度特征在Neck模块进行筛选融合，并将融合后的特征图通过细粒度信息提取模块进行缺陷信息提取；

将提取到的信息通过通道加权后进行预测，得到钢卷缺陷检测结果。

具体的，以640×640图像为例，细粒度特征增强模块相关数据处理的详细步骤如下：

假设输入图像的尺寸为640

FPN的输出特征图输入PAN，PAN的输入经过针对钢卷缺陷检测的特征提取模块后进行基于通道注意力机制的通道加权后作为细粒度特征增强模块中针对钢卷小尺寸缺陷检测的检测头的输入，其特征图尺寸为160

针对钢卷缺陷检测的特征提取模块输出的特征信息经过三次下采样和特征融合，其中每次下采样和特征融合的输出信息经过CSP模块进行特征提取后都会通过通道注意力机制进行通道加权，分别作为其余的三个检测头的输入特征。

实施例2

本公开实施例提供一种基于YOLOv5的钢卷端面缺陷检测装置，包括处理器（processor）和存储器（memory）。可选地，该装置还可以包括通信接口（CommunicationInterface）和总线。其中，处理器、通信接口、存储器可以通过总线完成相互间的通信。通信接口可以用于信息传输。处理器可以调用存储器中的逻辑指令，以执行上述实施例的基于YOLOv5的钢卷端面缺陷检测方法。

此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。

存储器作为一种计算机可读存储介质，可用于存储软件程序、计算机可执行程序，如本公开实施例中的方法对应的程序指令/模块。处理器通过运行存储在存储器中的程序指令/模块，从而执行功能应用以及数据处理，即实现上述实施例中基于YOLOv5的钢卷端面缺陷检测方法。

存储器可包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序；存储数据区可存储根据终端设备的使用所创建的数据等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器。

本公开实施例提供了一种计算机可读存储介质，存储有计算机可执行指令，所述计算机可执行指令设置为执行上述基于YOLOv5的钢卷端面缺陷检测方法。

上述的计算机可读存储介质可以是暂态计算机可读存储介质，也可以是非暂态计算机可读存储介质。

本公开实施例的技术方案可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括一个或多个指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本公开实施例所述方法的全部或部分步骤。而前述的存储介质可以是非暂态存储介质，包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等多种可以存储程序代码的介质，也可以是暂态存储介质。

最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。