1.一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:所述方法通过获取带钢表面缺陷图像来构建结构重参数化模块;并将结构重参数化模块运用于yolov8s的主干网络以及颈部网络,并进一步将bifpn融入yolov8s的颈部网络;将yolov8s损失函数更换为定位更加准确的wise-iou;最后将所述带钢表面缺陷图像输入至所述改进后的网络,获得带钢表面缺陷检测结果。
2.根据权利要求1所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:所述方法包括以下步骤:
3.根据权利要求2所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:所述步骤s1的具体步骤如下:
4.根据权利要求3所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:所述步骤s11中,将数据集进行标注,分成图片数据集文件和图片对应标签文件;
5.根据权利要求2所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:所述步骤s2具体步骤为:
6.根据权利要求5所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:步骤s2中,qarepvgg模块训练完成后,通过模型的重参数化等效地转变为单分支部署模型,以提高推理速度;
7.根据权利要求2所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:步骤s3具体为:将yolov8s的主干网络和颈部网络所用的conv模块更换为qarepvgg模块,将c2f模块替换为qarep模块,调整qarep模块的重复次数;
8.根据权利要求2所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:步骤s4具体为:将bifpn融入yolov8s原有颈部结构中,建立双向的信息流动,即上采样从低层级到高层级传递信息,下采样从高层级到低层级传递信息;信息流动和同层级特征的迭代融合以更好地捕获不同尺度、不同深度的特征信息,提高目标检测的准确性和稳定性。
9.根据权利要求2所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:步骤s5具体为:使用wise-iou损失函数作为边界框回归损失,当预测框与目标框高度重合时,损失函数通过减弱几何因素的惩罚,使模型在更少的训练干预下获得更好的泛化能力;
10.根据权利要求2所述的一种基于改进yolo模型的带钢表面缺陷检测方法,其特征在于:步骤s6的具体步骤如下: