轻量化Efficient-YOLOV8的钢表面裂纹智能识别方法

本发明属于机器视觉和图像处理领域，尤其涉及轻量化efficient-yolov8的钢表面裂纹智能识别方法。

背景技术：

1、在机械装备故障诊断中，金属裂纹作为机械系统中的典型故障，对设备和机械的维护非常重要，然而由于金属表面环境的复杂性以及裂纹的微小性和多样性，识别精度和效率往往受到影响。钢材作为建筑、桥梁工程、造船、机械设备等各个领域的重要材料，钢结构表面裂纹的检测对于保证结构的安全、优化使用至关重要。如果不及时发现，金属裂纹可能从小问题升级为严重问题，因此，及时检测钢结构材料的表面裂纹对于维持其安全性和可靠性至关重要。

2、研究发现，在对金属裂纹的识别过程中，由于金属表面环境的复杂性会影响后续识别效果；传统的机器视觉识别方法难以克服裂纹种类的多样性和复杂性，影响裂纹识别的精度和效率。

3、目前，基于计算机视觉和机器学习的方法对裂纹的识别效果显著，但仍存在部分瓶颈问题：第一，没有充分考虑金属表面复杂环境条件下其他噪声对于裂纹识别的挑战，这可能会影响后续裂纹检测的有效性；第二，一些识别模型无法检测早期的细小裂纹，可能导致遗漏，不可避免地降低了诊断的准确性；第三，一些识别模型在识别过程中并未充分考虑到各种类型和尺寸的裂纹，可能会影响这些模型对裂纹的识别效果。

技术实现思路

1、本发明实施例的目的在于提供轻量化efficient-yolov8的钢表面裂纹智能识别方法，旨在克服上述背景技术中的瓶颈问题，尤其针对金属表面环境的复杂性以及裂纹的微小性和多样性，本发明提出用bemd对需要识别的图像进行预处理，然后使用基于 e-yolov8 模型对金属表面裂纹检测技术进行识别，以提高裂纹识别的效果。

2、为实现上述目的，本发明提供了如下的技术方案。

3、轻量化efficient-yolov8的钢表面裂纹智能识别方法，该方法包括以下步骤：

4、步骤1：利用金属扫描电镜设备采集带钢表面疲劳裂纹原始图像；

5、步骤2：使用二维经验模态分解方法对采集的带钢表面疲劳裂纹原始图像进行预处理，得到预处理后的带钢表面疲劳裂纹图像；

6、步骤3：将预处理后的带钢表面疲劳裂纹图像使用矩形标注工具进行标注，标注完成后，生成一个同名的可扩展标记语言文件，包含边界框的坐标和类别信息，保存标注信息；

7、步骤4：将多层空间位移感知的视觉骨干网络s2-mlpv2注意力机制集成到youonly look once-yolov8的特征融合模块中，用完全卷积空间金字塔卷积模块取代yolov8模型中连接骨干和颈部的空间金字塔池化模块，得到e-yolov8模型；

8、步骤5：将预处理后的带钢表面疲劳裂纹图像输入到改进后的e-yolov8模型中进行训练，得到带钢表面裂纹图像识别混淆矩阵图、精确度以及平均准确率均值。

9、作为本发明进一步的方案，步骤2具体包括：

10、步骤21：识别原始图像的所有区域局部极值，找到所有局部最大值和最小值；在分析灰度图像时，使用形态学重构方法来提取图像信号中的极值点，对标记图像进行基于特征的迭代应用扩张或侵蚀，直到标记图像的像素值停止变化为止；原始灰度图像的局部最大值通过从原始图像中减去扩张后的重建图像来确定，局部最小值通过从原始图像中减去侵蚀后的重建图像来确定；

11、步骤22：对局部极值进行表面拟合，创建上下包络面，使用插值方法构造所有局部最大值包络和所有局部最小值包络；

12、步骤23：计算平均包络：；

13、将原始图从平均包络线中减去从而获得中间表面：，理想情况下是第一个bemd分量：；然而，往往不满足的迭代停止条件；视为新信号，重复以上步骤，得到包络平均值，此时；重复上述步骤l次，直至满足迭代停止条件；

14、此时，有包络均值，，第一本征模函数，第一个残差为；将得到的第一个残差作为新信号，重复以上步骤，得到对应的本征模函数,...和残差；此时；

15、图像分解记为：

16、     （1）；

17、步骤24：使用柯西收敛方法设置迭代停止条件。

18、作为本发明进一步的方案，步骤21包括：

19、步骤211：利用结构元素对二元图像中与每个像素位置相对应的区域执行特定操作，然后输出重建后的图像像素；

20、设表示结构元素，对于图像空间e中的每个点，膨胀和腐蚀的执行方式为：

21、     （2）；

22、    （3）；

23、扩张的结果是平移结构元素与原始图像空间非空相交的像素集合；相反，侵蚀的结果是平移结构元素的所有像素都包含在原始图像空间中；

24、利用形态学重建方法从灰度图像中提取亮峰区域：

25、         （4）；

26、其中，是一个恒定的灰度级，应用公式 （4），使=1 得到，这是一个与原始灰度图像局部最大值相对应的集合。

27、作为本发明进一步的方案，步骤4包括：

28、步骤41：在s2-mlpv2注意力机制中，通道c的特征图被扩展为3c通道特征图；

29、步骤42：将扩展后的特征图沿通道维度均匀分为三个部分，并对每个部分应用不同的空间位移操作；

30、步骤43：通过分割注意力操作，合并移位的部分以生成c通道特征图；给定一个输入特征图，通过一个多层感知器将x通道从c扩展到3c:

31、           （5）；

32、其中，指扩展后的特征图，mlp指多层感知机，w指特征图的宽度，h指特征图的高度，c指特征图的通道；将扩展的特征图在通道维度上均等的分成三个部分：

33、    （6）；

34、通过两个空间位移层和来改变和的位置；执行以下空间位移操作：

35、      （7）；

36、对于执行一个非对称的空间位移操作；

37、步骤44：在yolov8中，c2f模块的作用是加强网络不同阶段之间的信息流，为确保反馈更具针对性和相关性，将s2-mlpv2注意力机制集成到c2f模块中，加强网络各阶段之间的信息流，增强模型的规模和空间感知能力；

38、步骤45：s-cspc的网络架构集成了多个卷积模块和空间金字塔池化spp层，能够处理不同规模的目标；spp 层由并行最大池单元组成，能够捕获多个尺度的特征，然后由后续的卷积模块进一步细化；

39、步骤46：用s-cscp取代yolov8模型中连接颈部和骨干的sppf，提高检测任务的速度和效率。

40、作为本发明进一步的方案，对于执行一个非对称的空间位移操作的具体步骤包括：给定特征图，执行：

41、    （8）；

42、和相互补充；与此同时，保持不变。

43、与现有技术相比，本发明轻量化efficient-yolov8的钢表面裂纹智能识别方法的有益效果是：

44、第一，本发明提出的预处理方法能有效减轻背景噪声对裂纹检测和识别的干扰；

45、第二，与原始yolov8模型相比，本发明提出的方法能处理不同尺寸和形状的裂纹，并能够克服各种类别裂纹的相似性及复杂性对识别的影响；

46、第三，与基于计算机视觉和机器学习的方法相比，本发明提出的改进的e-yolov8模型在参数量和浮点运算次数方面都更低，且模型收敛快，可操作性强，具有良好的工业应用价值。