基于YOLOv5的表面缺陷检测优化算法.pdf
《基于YOLOv5的表面缺陷检测优化算法.pdf》由会员分享,可在线阅读,更多相关《基于YOLOv5的表面缺陷检测优化算法.pdf(8页珍藏版)》请在咨信网上搜索。
1、第2 4卷 第5期空 军 工 程 大 学 学 报V o l.2 4 N o.52 0 2 3年1 0月J OURNA L O F A I R F O R C E E NG I N E E R I NG UN I V E R S I T YO c t.2 0 2 3收稿日期:2 0 2 3-0 5-2 6基金项目:陕西省自然科学基础研究计划(2 0 2 3-J C-QN-0 6 9 6)作者简介:渠 逸(2 0 0 0-),男,内蒙古赤峰人,硕士生,研究方向为表面微缺陷智能检测技术。E-m a i l:s t r s k y 7 7 81 6 3.c o m通信作者:汪 诚(1 9 7 4-),
2、男,江苏扬州人,教授,博士生导师,研究方向为航空测试技术与表面强化。E-m a i l:v a l i d_0 11 6 3.c o m引用格式:渠逸,汪诚,余嘉博,等.基于YO L O v 5的表面缺陷检测优化算法J.空军工程大学学报,2 0 2 3,2 4(5):8 0-8 7.QU Y i,WAN G C h e n g,YU J i a b o,e t a l.O p t i m i z e d A l g o r i t h m f o r S u r f a c e D e f e c t D e t e c t i o n B a s e d o n YO L O v 5J.J
3、o u r n a l o f A i r F o r c e E n g i n e e r i n g U n i v e r s i t y,2 0 2 3,2 4(5):8 0-8 7.基于Y O L O v 5的表面缺陷检测优化算法渠 逸,汪 诚*,余嘉博,孔亚康,陈贤聪(空军工程大学基础部,西安,7 1 0 0 5 1)摘要 快速、准确地检测材料表面缺陷已成为各领域研究的重要目标,为增加检测效率,实现设备轻量化,提出了一种基于YO L O v 5的目标检测优化算法,添加D y H e a d检测头,融合多个注意力机制,增强模型的检测精度;更换a L R P L o s s损失函数,
4、减少超参数调节工作,优化训练过程;基于F a s t e r N e t提出C 3-F a s t e r,代替网络中的C 3模块,以P C o n v的思想提升模型检测性能,减少模型体积;最后添加轻量级上采样算子C A-R A F E,扩大模型感受野,提升对不同大小目标的检测效果。实验结果表明,改进后的YO L O v 5模型相比于原版模型,在钢材表面缺陷数据集上总体平均精度提高了4.1 7 4%,参数量减少了1 1.2 5%,计算复杂度减少了1 3.7 5%,权重体积减少了1 0.7 2%,检测性能高于S S D、R e t i n a N e t、F C O S、YO L O v 3、Y
5、O L O v 4等主流目标检测算法,在工业检测中具有较高的应用价值。关键词 目标检测;YO L O v 5;钢材表面缺陷D O I 1 0.3 9 6 9/j.i s s n.2 0 9 7-1 9 1 5.2 0 2 3.0 5.0 1 0中图分类号 T P 3 9 1.4 1 文献标志码 A 文章编号 2 0 9 7-1 9 1 5(2 0 2 3)0 5-0 0 8 0-0 8O p t i m i z e d A l g o r i t h m f o r S u r f a c e D e f e c t D e t e c t i o n B a s e d o n Y O L
6、O v 5QU Y i,WANG C h e n g*,YU J i a b o,KONG Y a k a n g,CHE N X i a n c o n g(F u n d a m e n t a l s D e p a r t m e n t,A i r F o r c e E n g i n e e r i n g U n i v e r s i t y,X ia n 7 1 0 0 5 1,C h i n a)A b s t r a c t T h e r a p i d a n d a c c u r a t e d e t e c t i o n o f s u r f a c e
7、 d e f e c t s i n m a t e r i a l s h a s b e c o m e a n i m p o r t a n t o b j e c-t i v e a c r o s s v a r i o u s r e s e a r c h d o m a i n s.T o e n h a n c e d e t e c t i o n e f f i c i e n c y a n d r e a l i z e l i g h t w e i g h t e q u i p m e n t,t h i s p a p e r p r o p o s e s
8、 a t a r g e t d e t e c t i o n o p t i m i z a t i o n a l g o r i t h m b a s e d o n YO L O v 5,a d d i n g D y H e a d d e t e c t i o n h e a d t o e n h a n c e t h e d e t e c t i o n a c c u r a c y o f t h e m o d e l b y f u s i n g m u l t i p l e a t t e n t i o n m e c h a n i s m s;r
9、e p l a c i n g t h e a L R P L o s s l o s s f u n c t i o n t o r e d u c e t h e h y p e r p a r a m e t e r a d j u s t m e n t w o r k a n d o p t i m i z e t h e t r a i n i n g p r o c e s s;p r o p o s e C 3-F a s t e r b a s e d o n F a s t e r N e t t o r e p l a c e t h e C 3 m o d u l e
10、i n t h e n e t w o r k t o i m p r o v e t h e m o d e l d e t e c-t i o n p e r f o r m a n c e a n d r e d u c e t h e m o d e l s i z e w i t h t h e i d e a o f P C o n v;f i n a l l y a d d t h e l i g h t w e i g h t u p s a m p l i n g o p e r a t o r C A R A F E t o e x p a n d t h e m o d
11、e l p e r c e p t u a l f i e l d a n d i m p r o v e t h e d e t e c t i o n e f f e c t o n t a r g e t s o f d i f-f e r e n t s i z e s.T h e e x p e r i m e n t a l r e s u l t s s h o w t h a t t h e i m p r o v e d YO L O v 5 m o d e l i m p r o v e s t h e o v e r a l l a v e r-a g e a c c u
12、 r a c y b y 4.1 7 4%,r e d u c e s t h e p a r a m e t e r v o l u m e b y 1 1.2 5%,r e d u c e s t h e c o m p u t a t i o n a l c o m p l e x i-t y b y 1 3.7 5%,a n d r e d u c e s t h e w e i g h t v o l u m e b y 1 0.7 2%o n t h e s t e e l s u r f a c e d e f e c t d a t a s e t c o m p a r e
13、d w i t h t h e o r i g i n a l m o d e l,a n d t h e d e t e c t i o n p e r f o r m a n c e i s a l s o h i g h e r t h a n t h a t o f S S D,R e t i n a N e t,F C O S,YO L O v 3,a n d YO L O v 4 a n d o t h e r m a i n s t r e a m t a r g e t d e t e c t i o n a l g o r i t h m s,w h i c h h a v
14、e h i g h a p p l i c a t i o n v a l u e i n i n d u s t r i a l d e t e c t i o n.K e y w o r d s o b j e c t d e t e c t i o n;YO L O v 5;s t e e l s u r f a c e d e f e c t s 随着现代工业的发展,各行业对金属材料性能的把控能力愈加重要,钢材作为目前产量最高、应用最广的金属材料,在交通运输、机械制造、航空航天和国防工业等领域其他金属材料是无法替代的。随着我国工业水平的迅速发展,市场需求不断变化,各领域对钢材的质量要求
15、也在不断提升。钢材在生产制造的过程中,受到生产设备、工艺水平等因素制约,钢材表面会产生如裂纹、划痕、凹坑、斑块等无规律的缺陷1,导致在后续应用中,材料的力学性能、抗腐蚀性、抗磨损性能都会有不同程度地下降,严重的缺陷甚至会引发安全事故2。因此,探索一种准确、高效率的表面缺陷检测方法成为了当前工业发展的迫切需求。近年来,随着深度学习的发展,计算机视觉广泛应用在各个领域,对材料表面的目标检测是计算机视觉中重要的一环,该项技术大幅降低了人工成本,相较于传统人工检测手段具有稳定、高效、准确度高等优势。当前基于深度学习的目标检测算法主要分为o n e-s t a g e和t w o-s t a g e 2
16、种。o n e-s t a g e目标检测算法的检测 速度快,但 精度相对较 低,代表算法 有S S D3、YO L O4等。t w o-s t a g e目标检测算法检测精度较高,但检测速度慢,以F a s t R-C NN5、F a s t e r R-C NN6、M a s k R-C NN7等为代表。对于一般的物体表面缺陷检测,o n e-s t a g e目标检测算法的精度已经可以满足检测需求,又因为其具有更高的速度,所以被广泛应用8。YO L O网络作为o n e-s t a g e检测算法里最受欢迎的系列,近年来被大量学者使用和优化。F a n g等9通过改进的YO L O v
17、3算法实现了对金属表面的缺陷检测,通过对输入端的图像进行处理和损失函数优化提升了检测效果。李维刚等1 0使用加权K-m e a n s聚类算法,并通过融合浅层特征与深层特征的方式改进了YO L O v 3网络,在带钢表面缺陷数据集上的检测精度比原始网络提高了1 1%。L i等1 1通过构建全卷积YO L O检测网络检测带钢表面缺陷,为此类检测提供了端到端的检测方案,并取得了9 7.5 5的mA P。Z h a n g等1 2提出了改进的YO L O v 5算法,该算法在原有算法的基础上增加了微尺度检测层,并加入了C B AM关注机制,以控制小目标缺陷等缺陷的特征信息丢失。大量研究已经初步使目标
18、检测的精度和检测速度得到提升,但各类材料的应用场景变化较大,为满足各类环境下个人检测任务需求,检测设备需尽可能轻量化。在此基础上,本文针对工业应用场景,以提升检测精度与速度、减小模型体积为目标,提出了改进的YO L O v 5算法,并在N E U-D E T数据集上进行测试。1 实验基础1.1 数据集本文所涉及的实验数据集均采用东北大学宋克臣团队制作的钢材表面缺陷数据集(N E U-D E T),数据集内包含6个缺陷类别:c r a z i n g,i n c l u s i o n,p a t-c h e s,p i t t e d s u r f a c e,r o l l e d i n
19、 s c a l e,s c r a t c h e s,每类缺陷3 0 0张识别图像,各类别的缺陷标注信息通过x m l文件保存,共计1 8 0 0张灰度图像,4 1 8 9个检测缺陷边界框。将数据集内1 8 0 0张图像按照811的比例划分为训练 集、验证集 和测试集,得 到训练图片1 4 4 0张,验证图片和测试图片各1 8 0张,数据集内各类缺陷图片如图1所示,其中缺陷目标所在位置位于红框标注处。(a)c r a z i n g (b)i n c l u s i o n (c)p a t c h e s(d)p i t t e d s u r f a c e (e)r o l l e
20、d i n s c a l e (f)s c r a t c h e s图1 数据集部分图片1.2 Y O L O v 5YO L O是 一 种 通 用 的o n e-s t a g e目 标 检 测 算法,侧重于推理速度,被广泛应用在图像或视频的目标分类、定位工作中。迄今为止,学者通过不断改 进,发 布 了 各 种 版 本 的YO L O模 型,其 中YO L O v 5便是在YO L O v 4的基础上改进而来,其在输入端的模型训练阶段加入了M o s a i c数据增强、自适应图片缩放和锚框计算功能;融合了F o-c u s结构与C S P结构改进了基准网络;在N e c k部18第5期
21、 渠逸,等:基于YO L O v 5的表面缺陷检测优化算法分添加了F P N+P AN结构;改进了预测筛选框的D I o U NM S和训练时的G I OU L o s s,对比前代在精度和速度上都得到了很大提升。YO L O v 5目前已经更新到7.0版本,根据不同的使用场景,有n/s/m/l/x 5个模型可以使用,由n至l版本,模型大小和运算量逐步增加,精度也同时提高。根据本文的实验对象,经过对比试 验 后,采 用 体 积 相 对 较小、速度较快的s版本模型。2 算法改进2.1 添加目标检测头D y H e a d是由D a i等1 3提出的一种基于注意力机制的目标检测头,通过将多头s e
22、 l f-a t t e n t i o n注意力机制结合在尺度感知的特征层、空间感知的空间位置、任务感知的输出通道处,并将其统一在一个框架内,以此在没有多余算力开销的情况下有效提升目标检测头的检测性能。其结构如图2所示。从图2可以看出,D y H e a d将尺度注意力、空间注意力和任务注意力叠加在了一个模块内,将H e a d部分的输入,也就是G e n e r a l V i e w视为一个三维的t e n s o r,其中L为不同尺度(即不同层次和阶段)的特征图;S为空间位置信息,也就是特征图的宽高乘积;C为通道信息。D y H e a d使用分离式的注意力机制,使以上每个维度都能独立
23、通过注意力机制进行特征感知,3个注意力机制如下:1)S c a l e-a w a r e A t t e n t i o n为添加在l e v e l维度的尺度感知注意力,不同l e v e l的特征图所对应的目标尺度也不同,该机制的引入可以增强模型的尺度感知能力。2)S p a t i a l-a w a r e A t t e n t i o n为添加在s p a t i a l维度的空间感知注意力,当空间位置发生变化,所对应的便是检测目标的几何变换,该机制的引入可以增强模型的空间位置感知能力。3)T a s k-a w a r e A t t e n t i o n为添加在c h a
24、n n e l维度的任务感知注意力,不同的c h a n n e l所对应的检测任务也不同,该机制的引入可以增强模型对不同任务的感知能力。图2 D y H e a d结构2.2 改用a L R P L o s s一般的目标检测任务需要通过结合平衡超参数,来联合优化分类目标与定位目标,但这种方法在定位任务和分类任务之间缺乏关联,无法同时兼顾定位精度和分类精度;在训练过程中,对超参数的调节较为困难,导致在需要较长时间训练的网络内收敛变慢;容易受到正负样本不均匀或者正负样本异常值 变 动 的 影 响,在 参 数 调 节 上 需 花 费 更 多 精力1 4。为解决以上问题,O k s u z等1 5提
25、出了a L R P L o s s。这是一种基于r a n k i n g的损失函数,具有统一、有界、平衡等特点,通过对A P L o s s的扩展,建立一个能够优化不可导排序损失的通用框架,能有效用于目标检测中的分类和定位任务。与精确度和A P损 失 之 间 的 关 系 类 似,a L R P L o s s为 正 样 本L R P值(lL R P(i)的平均值,如式(1)所示:LaL R P=1PiPlL R P(i)(1)式中:P为精确率。L R P值定义为:lL R P(i)=1r a n k(i)NF P(i)+l o c(i)+kP,kil o c(k)H(xi k)(2)r a
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 基于 YOLOv5 表面 缺陷 检测 优化 算法
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,个别因单元格分列造成显示页码不一将协商解决,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。