一种基于感受野增大和特征信息补充的带钢缺陷检测方法

本发明涉及图像处理，具体地说是一种基于感受野增大和特征信息补充的带钢缺陷检测方法。

背景技术：

1、带钢作为工业生产过程中重要的原料，被广泛用于各种工业制造场景，如机械制造、汽车生产等。带钢的质量直接影响着工业产品的质量。然而，在生产、运输和存储过程中，由于生产工艺和外部环境因素影响。带钢表面容易出现划痕、腐蚀和氧化等缺陷。这些缺陷不仅会对产品的外观造成影响，而且也会影响产品的抗腐蚀性、抗疲劳性。降低产品的经济价值和使用寿命。因此，带钢缺陷检测是保障工业产品质量的重要步骤。

2、传统带钢缺陷检测依赖人工检测。由于缺陷不明显，颜色单一，容易使人出现视觉疲劳，影响检测精度。除此之外，随着时间的推移，缺陷检测的速度也会受人眼限制，难以满足实际工业需求。所以，实现带钢缺陷自动检测对保证产品质量具有重要意义。

3、基于机器视觉的检测方法需要人工进行特征提取，然后将提取到的特征输入到机器学习模型中进行判断。这种检测方法的效果严重依赖特征提取的效果，鲁棒性和泛化性较差。同时，对于多种不同的缺陷需要设计不同的检测算法，从而导致增加了生产成本。因此，该方法并不适合大规模的实际环境的检测。

4、如何提高带钢缺陷检测的精度，是需要解决的技术问题。

技术实现思路

1、本发明的技术任务是针对以上不足，提供一种基于感受野增大和特征信息补充的带钢缺陷检测方法，来解决如何提高带钢缺陷检测的精度的技术问题。

2、第一方面，本发明一种基于感受野增大和特征信息补充的带钢缺陷检测方法，包括如下步骤：

3、数据采集：采集具有缺陷的带钢图像作为原始图像，对原始图像中的缺陷进行标注获得标签信息，基于原始图像以及原始图像对应的标签信息构建数据集，并将数据集划分为训练集、测试集和验证集，其中标签信息包括标注框的位置信息、尺度信息以及类别标签；

4、图像处理：对训练集中原始图像进行图像增强处理，得到图像处理后训练集；

5、模型构建：以yolov5s模型为基础模型，引入感受野增大模块c3rf替换基础模型中c3模块，引入注意力模块scbam替换基础模型中空间金字塔池化模块sppf，并引入具有额外信息补充的特征金字塔结构efpn替换基础模型中特征金字塔结构pafpn，得到带钢缺陷检测模型，所述带钢缺陷检测模型用于对输入图像进行缺陷检测，输出预测框以及对应的缺陷类别；

6、模型训练：基于图像处理后训练集对带钢缺陷检测模型进行模型训练，并基于验证集和测试集对训练后的带钢缺陷检测模型进行模型验证和测试，得到最终带钢缺陷检测模型；

7、缺陷检测：以待检测带钢图像为输入图像，通过最终带钢缺陷检测模型对输入图像进行缺陷检测，输出预测框以及缺陷类别。

8、作为优选，对数据集中原始图像进行图像增强处理，包括如下步骤：

9、对原始图像进行缩放处理；

10、对原始图像进行亮度、对比度以及色彩饱和度调整；

11、基于mosaic方法对原始图像进行数据增强处理。

12、作为优选，所述带钢缺陷检测模型包括输入端、主干网络、颈部、头部和输出端；

13、输入端用于输入预定尺寸的图像；

14、所述主干网络包括卷积模块、感受野增大模块c3rf以及注意力模块scbam，用于对输入的图像进行特征提取，输出多个特征图，分别为特征图c2、特征图c3、特征图c4和特征图c5；

15、所述颈部为基于具有额外信息补充的特征金字塔结构efpn，包括卷积模块、上采样模块、感受野增大模块c3rf以及拼接层，用于对主干网络输出的多个特征图进行特征融合；

16、所述头部用于以颈部输出的特征图为输入，从特征图中提取目标的位置和类别信息，并生成预测框；

17、所述输出端用于对头部生成的预测框进行筛选和调整，得到最终的目标检测结果。

18、作为优选，对于主干网络，所述卷积模块包括一个卷积操作、一个批归一化层和一个激活函数silu层，用于对输入的图像进行卷积。

19、作为优选，对于主干网络，所述感受野增大模块c3rf包括两个第一卷积模块、大感受野模块rf和第二卷积模块，第一卷积模块和第二卷积模块用于对输入的特征图进行1×1卷积，所述感受野增大模块c3rf用于执行如下：

20、通过两个第一卷积模块分别调整通道维度，将输入的特征图像划分为左右两个分支；

21、将右侧分支的输出结果输入到大感受野模块rf中，并将大感受野模块rf的输出结果和左侧分支的输出结果进行拼接，并将拼接后的特征图输入到第二卷积模块，第二卷积模块用于对输入的特征图进行特征整合、输出特征图；

22、其中，大感受野模块rf包括两个分支，分别为第一分支和第二分支，第一分支用于通过1×1卷积模块进行通道调整，并通过3×3的卷积模块进行特征提取；

23、第二分支用于通过3×3的卷积模块进行特征提取、输出特征图，并将特征图分别输入1×7的卷积模块分支和7×1卷积模块分支进行特征提取，并将1×7卷积模块分支和7×1卷积模块分支输出的特征图进行拼接，得到最终的特征图。

24、作为优选，注意力模块scbam包括通道注意力模块和空间注意力模块，对应有通道注意力阶段和空间注意力阶段，所述注意力模块scbam用于执行如下：

25、在通道注意力阶段，通过全局平均池化层将输入的特征图压缩为通道维度向量，对通道维度向量进行1×1卷积操作变换，并通过sigmoid激活获得权值，得到具有权值的特征图作为通道注意力权重图；

26、在空间注意力阶段，通过最大池化层和平均池化层对特征图进行压缩、得到压缩后特征图，将压缩后的特征图进行拼接，得到拼接后特征图，并使用7×7卷积操作对拼接后特征图进行特征聚合，通过sigmoid函数获得权值，得到具有权值的特征图作为空间注意力权重图；

27、基于空间注意力权重图和通道注意力权重图对输入的特征图进行加权，得到最终的特征图。

28、作为优选，所述颈部基于具有额外信息补充的特征金字塔结构efpn用于执行如下：

29、引入额外的信息流，所述信息流为特征图c2；

30、通过步长为2的3×3卷积模块对特征图c2进行下采样，生成的特征图表示为特征图c3'、特征图c4'以及特征图c5'；

31、将特征图c3'、特征图c4'以及特征图c5'分别与通过特征金字塔结构pafpn生成的特征图p3'、特征图p4'以及特征图p5'进行拼接融合，得到融合后特征图；

32、通过无残差结构的感受野增大模块c3rf对融合后特征图进行梳理，得到特征图p3、特征图p4以及特征图p5。

33、本发明的一种基于感受野增大和特征信息补充的带钢缺陷检测方法具有以下优点：

34、1、使用感受野增大模块c3rf替换基础模型中c3模块，增强了网络模型完整提取特征的能力，用注意力模块scbam替换掉原来的空间金字塔池化模块sppf，增强了网络模型对缺陷和背景的区分度，使用具有额外信息补充的特征金字塔结构efpn替换基础模型中特征金字塔结构pafpn可以融合更多底层的细节信息，弥补卷积次数增多而导致上层细节信息不足的问题；

35、2、可用于复杂场景下的带钢缺陷检测，并且检测精度较传统的模型有较大提升，具有较好的先进性。