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。
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: