一种面向磁瓦缺陷的目标检测方法与流程

本发明涉及计算机视觉，具体为一种面向磁瓦缺陷的目标检测方法。

背景技术：

1、磁瓦材料作为永磁电机中比较重要的材料，能简化电机的结构，使其获得更小的体积，更轻的重量以及更小的能耗等。磁瓦这种磁性材料，在国家经济中占据了比较重要的地位。虽然磁瓦具备很多优点，但是对其加工过程中会出现气孔、裂纹、断裂,漏角等缺陷。

2、现有技术中，磁瓦材料的生产基本采用人工检测，其存在以下缺点：长时间工作会增加漏检概率，人员的判断标准有些许差距，人员的接触可能会对磁瓦产生影响。

3、但是通过计算机视觉领域的目标检测技术，进行磁瓦缺陷检测可以有效避免上述缺点，能够降低成本并且有效提升缺陷检测效率以及准确率。

技术实现思路

1、本发明的目的在于提供一种面向磁瓦缺陷的目标检测方法，以解决上述背景技术中提出的问题。

2、为实现上述目的，本发明提供如下技术方案：一种面向磁瓦缺陷的目标检测方法，所述目标检测方法包括以下步骤：

3、s1：对磁瓦进行拍照采集图像数据；

4、s2：根据数据的特点进行预处理；

5、s3：将步骤s2输出的结果输入添加了解耦头的预测部分；

6、s4：根据预测结果的损失对模型进行参数优化；

7、s5：选取在测试集表现最好的模型进行目标检测。

8、优选的，对磁瓦进行拍照采集图像数据时，根据缺陷类别对所拍摄的照片进行检测框与类别的标注。

9、优选的，对磁瓦进行拍照采集图像数据的具体操作如下：

10、s1-1：对拍摄环境相较于工业环境下进行模拟；

11、s1-2：在处理后的拍摄环境下对磁瓦进行拍照采集数据，尽量维持不同的磁瓦缺陷采集的图像数据的数量相同；

12、s1-3：将图像数据中的磁瓦缺陷进行数据标注，记录缺陷位置的真实框坐标，将磁瓦的缺陷类型划分为：气孔，裂纹，断裂，磨损，不平滑，并对缺陷类型进行标注；最后将标注数据按照yolo数据集的格式保存为txt文件；

13、s1-4：将数据集按照7：2：1的比例随机划分训练集，测试集以及验证集。

14、优选的，根据数据的特点进行预处理时，将与处理后的数据输入到yolov5检测模型的backbone与neck部分。

15、优选的，根据数据的特点进行预处理的具体操作包括：

16、s2-1：由于磁瓦由铁氧体组成，整体颜色程灰暗色，并且可见光下拍摄的图片对比度低，对图片进行二值化处理，使磁瓦的缺陷区域与非缺陷区域之间能够形成更明显的对比；

17、s2-2：按照yolov5的mosaic数据增强策略，对图片进行随即缩放，随机裁剪与随机排布操作；

18、s2-3：采取yolov5中检测速度最快的yolov5s作为磁瓦检测的主要模型，对增强后的图像数据输入backbone的主干网络，进行图像的特征提取。

19、s2-4：将s2-3中提取出来的特征输入neck部分进行多尺度的特征提取。

20、优选的，将步骤s2输出的结果输入添加了解耦头的预测部分的具体操作为：

21、s3-1：head部分进行物体类别以及位置的预测，分类任务与回归任务有所冲突，采用耦合的头部进行预测会对结果造成一定性的影响，head部分采用了解耦头部；

22、s3-2：将s2中产生的特征图分别输入解耦头部的分支1与分支2；

23、s3-3：特征图输入解耦头分支1经过两个3x3的卷积，一个1x1的卷积，通过sigmod函数输出hxwxc尺度的特征图来反应类别信息；

24、s3-4：特征图输入解耦头分支2经过两个3x3的卷积，通过两个1x1的卷积，分别输出hxwx4尺度的特征来预测物体的位置信息与hxwx1尺度的特征来预测交并比信息。

25、优选的，根据预测结果的损失对模型进行参数优化的具体操作如下：

26、s4-1：根据真实值对步骤s3中解耦头的输出进行总损失计算，损失公式如下：其中lcls，lreg，liou分别代表类别损失，位置损失与交并比损失；

27、ltotal＝lcls+lreg+liou

28、s4-2：根据损失函数记录训练集每一代epoch的损失，观察损失下降情况，并通过验证集来对每一代的模型进行测试，观察实际的平均精度来判断模型的训练效果；

29、s4-3：针对模型收敛情况对批大小，学习率以及学习率下降策略进行调整，选取3个验证集上表现最好的模型作为测试模型。

30、优选的，选取在测试集表现最好的模型进行目标检测的具体操作为：

31、对步骤s4产生的3个最佳验证模型进行实际测试，选取测试集上平均精度最高的模型作为最终测试模型。

32、与现有技术相比，本发明的有益效果是：

33、本发明提出的面向磁瓦缺陷的目标检测方法，对磁瓦进行拍照采集图像数据，根据缺陷以及缺陷类别进行真实框以及类别的标注。之后对其进行训练集，验证集以及测试集的划分。之后将划分好的训练集输入到yolov5检测模型的backbone与neck部分，进行特征提取与采样；并将采样后的特征输入解耦头部，进行缺陷类别的分类以及缺陷位置的定位；采用单阶段检测中比较流行的yolov5作为基础模型，但是由于磁瓦存在气孔、裂纹、断裂,漏角等缺陷，提供一个更快更准确的检测方法尤为重要。所以本文在yolov5上添加了解耦头，将缺陷类别与缺陷位置分别预测，可以更好的区分磁瓦中相似的缺陷。

技术特征：

1.一种面向磁瓦缺陷的目标检测方法，其特征在于：所述目标检测方法包括以下步骤：

2.根据权利要求1所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：对磁瓦进行拍照采集图像数据时，根据缺陷类别对所拍摄的照片进行检测框与类别的标注。

3.根据权利要求1所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：对磁瓦进行拍照采集图像数据的具体操作如下：

4.根据权利要求1所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：根据数据的特点进行预处理时，将与处理后的数据输入到yolov5检测模型的backbone与neck部分。

5.根据权利要求1所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：根据数据的特点进行预处理的具体操作包括：

6.根据权利要求1所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：将步骤s2输出的结果输入添加了解耦头的预测部分的具体操作为：

7.根据权利要求1所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：根据预测结果的损失对模型进行参数优化的具体操作如下：

8.根据权利要求7所述的一种面向磁瓦缺陷的目标检测方法，其特征在于：选取在测试集表现最好的模型进行目标检测的具体操作为：

技术总结
本发明涉及计算机视觉技术领域，具体为一种面向磁瓦缺陷的目标检测方法，包括以下步骤：对磁瓦进行拍照采集图像数据；根据数据的特点进行预处理；将步骤S2输出的结果输入添加了解耦头的预测部分；根据预测结果的损失对模型进行参数优化；选取在测试集表现最好的模型进行目标检测；有益效果为：本发明提出的面向磁瓦缺陷的目标检测方法，对磁瓦进行拍照采集图像数据，根据缺陷以及缺陷类别进行真实框以及类别的标注。之后对其进行训练集，验证集以及测试集的划分。之后将划分好的训练集输入到Yolov5检测模型的backbone与neck部分，进行特征提取与采样。

技术研发人员：李旭东,魏金雷,潘心冰,何彬彬,伊文超,朱利霞,张敏
受保护的技术使用者：浪潮云信息技术股份公司
技术研发日：
技术公布日：2024/1/16