一种基于yolov5-BSN网络模型的钢板表面缺陷检测方法及装置与流程

本发明实施例涉及钢板缺陷检测技术的，具体而言，涉及一种基于yolov5-bsn网络模型的钢板表面缺陷检测方法及装置。

背景技术：

1、钢板生产过程的瑕疵以及使用过程中的磨损，可能会使钢板表面产生缺陷从而引发事故，因此对于精度高、速度快的钢板表面缺陷检测方法的研究具有重要意义与实际价值。

2、传统的钢板表面缺陷检测方法包括人工检测、红外检测以及涡流检测等。

3、人工检测方法是指工人直接目视检测和触摸检测，简单易行，虽然能够快速发现明显的缺陷，但是对于尺寸较小的缺陷难以精确检测，并且检测精度较低。红外检测方法是一种非接触式的检测技术，利用红外热像仪或红外相机来检测钢板表面缺陷的方法。其受环境温度和湿度影响较大，难以在实际生产中应用，并且红外热像仪和红外相机等设备较为昂贵，需要投入较高的成本。涡流检测方法是一种基于涡流感应原理的钢板表面缺陷检测技术，能够进行全面性的检测，但是对于材料要求较高，设备较为复杂，并且对于表面形状不规则或者复杂的钢板产品的检测较为困难，同时花费的成本也较高。

4、针对上述问题，当前并无较好的解决方案。

技术实现思路

1、本发明实施例提供了一种基于yolov5-bsn网络模型的钢板表面缺陷检测方法及装置，以至少解决相关技术中钢板缺陷检测精度低的问题。

2、根据本发明的一个实施例，提供了一种基于yolov5-bsn网络模型的钢板表面缺陷检测方法，包括：

3、获取待检测的钢板表面数据；

4、通过主干网络对所述钢板表面数据进行特征提取处理，以得到数据特征信息，其中，所述主干网络是基于第一无参数注意力机制构建的，且所述主干网络包括第一无参数注意力机制特征提取模块；

5、通过颈部网络对所述数据特征信息进行特征融合处理，以得到融合数据，其中，所述颈部网络包括第一双向跨尺度特征金字塔结构，所述第一双向跨尺度特征金字塔结构是通过对双向特征金字塔网络进行重复加权处理得到的；

6、通过检测网络对所述融合数据进行缺陷检测，并根据缺陷检测结果确定钢板表面缺陷，其中，所述检测网络是基于邻域加权分解损失函数构建的。

7、在一个示例性实施例中，在所述通过检测网络对所述融合数据进行缺陷检测之前，所述方法还包括：

8、获取所述钢板表面数据的边界框分布信息，其中，所述边界框分布信息是通过对边界框进行分布建模计算得到的；

9、基于所述边界框分布信息，对所述钢板表面数据的预测框以及真实框进行归一化距离计算；

10、基于归一化距离计算结果进行损失函数计算，以得到所述邻域加权分解损失函数。

11、在一个示例性实施例中，在所述通过主干网络对所述钢板表面数据进行特征提取处理，以得到数据特征信息之前，所述方法还包括：

12、基于所述主干网络的神经元信息，确定所述主干网络的初始能量函数；

13、对所述初始能量函数进行正则化处理，以得到目标能量函数；

14、基于所述目标能量函数，确定所述神经元的最小能量信息；

15、根据所述最小能量信息，确定第一神经元的重要性值，其中，所述第一神经元为所述主干网络中的任一神经元；

16、基于所述最小能量信息以及所述重要性值，对所述最小能量信息进行分组，并根据缩放运算符对所述重要性值进行特征细化处理。

17、在一个示例性实施例中，所述通过颈部网络对所述数据特征信息进行特征融合处理，以得到融合数据包括：

18、基于预设的额外权重，通过所述颈部网络对所述额外权重进行学习处理，以确定所述额外权重的重要性；

19、基于所述重要性，所述颈部网络对所述数据特征信息进行双向跨尺度连接处理和快速归一化处理，以实现特征融合。

20、根据本发明的另一个实施例，提供了一种基于yolov5-bsn网络模型的钢板表面缺陷检测装置，包括：

21、数据采集模块，用于获取待检测的钢板表面数据；

22、特征提取模块，用于通过主干网络对所述钢板表面数据进行特征提取处理，以得到数据特征信息，其中，所述主干网络是基于第一无参数注意力机制构建的，且所述主干网络包括第一无参数注意力机制特征提取模块；

23、数据融合模块，用于通过颈部网络对所述数据特征信息进行特征融合处理，以得到融合数据，其中，所述颈部网络包括第一双向跨尺度特征金字塔结构，所述第一双向跨尺度特征金字塔结构是通过对双向特征金字塔网络进行重复加权处理得到的；

24、缺陷检测模块，用于通过检测网络对所述融合数据进行缺陷检测，并根据缺陷检测结果确定钢板表面缺陷，其中，所述检测网络是基于邻域加权分解损失函数构建的。

25、在一个示例性实施例中，还包括：

26、分布信息采集模块，用于在所述通过检测网络对所述融合数据进行缺陷检测之前，获取所述钢板表面数据的边界框分布信息，其中，所述边界框分布信息是通过对边界框进行分布建模计算得到的；

27、距离计算模块，用于基于所述边界框分布信息，对所述钢板表面数据的预测框以及真实框进行归一化距离计算；

28、损失函数计算模块，用于基于归一化距离计算结果进行损失函数计算，以得到所述邻域加权分解损失函数。

29、在一个示例性实施例中，还包括：

30、能量函数确定模块，用于在所述通过主干网络对所述钢板表面数据进行特征提取处理，以得到数据特征信息之前，基于所述主干网络的神经元信息，确定所述主干网络的初始能量函数；

31、目标函数确定模块，用于对所述初始能量函数进行正则化处理，以得到目标能量函数；

32、最小能量信息确定模块，用于基于所述目标能量函数，确定所述神经元的最小能量信息；

33、重要性确定模块，用于根据所述最小能量信息，确定第一神经元的重要性值，其中，所述第一神经元为所述主干网络中的任一神经元；

34、特征细化处理模块，用于基于所述最小能量信息以及所述重要性值，对所述最小能量信息进行分组，并根据缩放运算符对所述重要性值进行特征细化处理。

35、在一个示例性实施例中，所述数据融合模块包括：

36、权重学习单元，用于基于预设的额外权重，通过所述颈部网络对所述额外权重进行学习处理，以确定所述额外权重的重要性；

37、融合单元，用于基于所述重要性，所述颈部网络对所述数据特征信息进行双向跨尺度连接处理和快速归一化处理，以实现特征融合。

38、根据本发明的又一个实施例，还提供了一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述方法实施例中的步骤。

39、根据本发明的又一个实施例，还提供了一种电子装置，包括存储器和处理器，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行上述方法实施例中的步骤。

40、通过本发明，由于引入无参数注意力机制，因而可以增强对小目标的检测能力，最终实现精度高、速度快的钢板表面缺陷检测，因此，可以解决钢板缺陷识别精度低的问题，达到提高钢板缺陷识别精度和效率的效果。