CN113160140A - 基于yolov3-spp网络模型的钢板表面缺陷检测方法 - Google Patents
基于yolov3-spp网络模型的钢板表面缺陷检测方法 Download PDFInfo
- Publication number
- CN113160140A CN113160140A CN202110311680.9A CN202110311680A CN113160140A CN 113160140 A CN113160140 A CN 113160140A CN 202110311680 A CN202110311680 A CN 202110311680A CN 113160140 A CN113160140 A CN 113160140A
- Authority
- CN
- China
- Prior art keywords
- network model
- yolov3
- spp
- pictures
- steel plate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
- G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
- G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
- G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
- G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
Abstract
本发明公开了一种基于yolov3‑spp网络模型的钢板表面缺陷检测方法,包括步骤:1)获取钢板表面缺陷图片,划分为训练集和测试集;2)把训练集的图片输入yolov3‑spp网络模型,进行迭代训练,调整网络模型的权重参数,达到设定的迭代次数后,得到网络模型的权重文件;3)把权重文件加载到yolov3‑spp网络模型,对测试集的图片进行预测,得到检测结果。本发明将yolov3‑spp网络模型中的spp模块作为实现局部特征和全局特征融合的一种有效手段,能够充分提取缺陷在图片中的结构信息,经过训练集的学习,可以在测试集上有效地提高钢板表面缺陷检测的精确率。
Description
技术领域
本发明涉及钢板缺陷检测的技术领域,尤其是指一种基于yolov3-spp网络模型的钢板表面缺陷检测方法。
背景技术
钢板是机械工业中必不可少的基础材料,广泛应用于汽车、家电、电力等行业。受到设备和生产工艺局限等因素的影响,钢板的表面不可避免地会产生各种缺陷,如开裂、内含物、斑块、点蚀表面、轧制氧化皮、划痕等,为了提高钢板生产的质量,必须关注钢板的表面缺陷检测问题。
传统的钢板表面检测技术主要有人工检测方法、基于电磁波或超声的检测方法、模式识别或机器学习的方法,适应性和精确率较低。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提出了一种基于yolov3-spp网络模型的钢板表面缺陷检测方法,该方法先获取钢板表面缺陷图片,取其训练集输入yolov3-spp网络模型进行训练迭代,得到权重文件后把测试集输入yolov3-spp网络模型,得到测试集的缺陷位置和类别,该方法可以有效地提高钢板表面缺陷的检测精度。
为实现上述目的,本发明所提供的技术方案为:基于yolov3-spp网络模型的钢板表面缺陷检测方法,包括以下步骤:
1)获取钢板表面缺陷图片,划分为训练集和测试集;
2)把训练集的图片输入yolov3-spp网络模型,进行迭代训练,调整网络模型的权重参数,达到设定的迭代次数后,得到网络模型的权重文件;其中,所述yolov3-spp网络模型由backbone、spp模块、neck和检测头组成;
3)把权重文件加载到yolov3-spp网络模型,对测试集的图片进行预测,得到检测结果。
在步骤1)中,所述钢板表面缺陷图片需要不少于1500张,并且按70%-80%的比例提取训练集,余下的作为测试集,其中训练集要做裁剪的数据增强操作。
在步骤2)中,把训练集的图片输入yolov3-spp网络模型,进行迭代训练,调整网络模型的权重参数,达到设定的迭代次数后,得到网络模型的权重文件,具体情况如下:
定义yolov3-spp网络模型的基本组件简称为CBL,该CBL由一个卷积层、一个BN层和一个Leaky relu激活函数组成;
定义一个残差单元Res Unit为一条支路经过两个CBL,另一条支路为原输入,相加得到输出,定义残差组件ResX为一个CBL和X个残差单元组成;
训练集的图片输入backbone,依次经过1个CBL、Res1、Res2、Res8、Res8、Res4,在第一个Res8的输出、第二个Res8的输出和Res4的输出引出3个层次的特征图C1、C2、C3;
将C3输入spp模块,分3条支路,第一条支路经过核大小为5×5、步长为1的最大池化层,第一条支路经过核大小为9×9、步长为1的最大池化层并与原输入相加,第一条支路经过核大小为13×13、步长为1的最大池化层,3条支路通过concat操作联合,再依次经过卷积核大小为1×1的卷积层、卷积核大小为3×3的卷积层、卷积核大小为1×1的卷积层得到新的特征图M3;
将M3、C2、C1输入Neck,其中M3经过5个CBL得到P3,P3经过1个CBL和上采样与C2通过concat操作联合,再经过5个CBL得到P2,P2经过1个CBL和上采样与C1通过concat操作联合,再经过5个CBL得到P1;
将P1、P2、P3输入检测头,分别经过1个CBL和一个卷积层得到预测结果,根据训练集的标注计算得到损失,加权得到总的损失,把损失反向传播调整网络模型的权重参数,迭代到指定次数得到权重文件。
在步骤3)中,把权重文件加载到yolov3-spp网络模型,对测试集的图片进行预测,得到检测结果,包括以下步骤:
3.1)把权重文件加载到yolov3-spp网络模型,把测试集的图片输入yolov3-spp网络模型;
3.2)测试集的图片经过yolov3-spp网络模型中的检测头的时候,检测头把三个检测分支的预测结果进行concat操作,得到预测结果;
3.3)对预测结果进行后处理:经过解码获得缺陷位置的坐标参数,并根据分类的置信度和交并比进行NMS非极大值抑制操作,得到最终的检测结果。
本发明与现有技术相比,具有如下优点与有益效果:
1、本发明方法对钢板表面缺陷图片的训练集进行数据增强操作,扩充了样本量,有利于网络模型的训练。
2、本发明方法使用的yolov3-spp网络模型中的backbone可以有效地从训练集的钢板表面缺陷图片中提取浅层和深层的特征。
3、本发明方法使用的yolov3-spp网络模型中的neck可以有效地融合不同层次的特征。
4、本发明方法使用的yolov3-spp网络模型中的spp模块,实现了对卷积网络中的多重感受野的重合,能够对不同尺度的特征进行有效的联结。
5、本发明方法使用的yolov3-spp网络模型中的检测头对三个检测支路进行了联结,充分利用在不同层次的特征上做出的预测,能够提高钢板表面缺陷检测的精确率。
附图说明
图1为本发明方法逻辑流程示意图。
图2为本发明使用的yolov3-spp网络模型的结构图,图中conv表示卷积核大小为1×1的卷积层。
图3为本发明中实施示例的损失变化的曲线图,横轴为迭代步数,竖轴为损失。
图4为钢板表面缺陷图片检测结果图,图中1代表开裂、2代表内含物、3代表斑块、4代表点蚀表面、5代表轧制氧化皮、6代表划痕,黑框为预测缺陷框,附带文字标注为类别代号、置信度。
具体实施方式
下面结合具体实施例对本发明作进一步说明。
如图1至图4所示,本实施例所提供的基于yolov3-spp网络模型的钢板表面缺陷检测方法,使用了yolov3-spp网络模型(由backbone、spp模块、neck和检测头组成)对钢板表面缺陷图片进行训练和测试,其包括以下步骤:
1)获取钢板表面缺陷图片,划分为训练集和测试集,包括以下步骤:
1.1)获取含有内含物、划痕、轧制氧化皮、开裂、点蚀表面或斑块缺陷的各类钢板表面缺陷图片,每类缺陷图片300张,一共1800张,图片尺寸都为200px*200px;
1.2)提取80%的钢板表面缺陷图片即1440张作为训练集,余下的360张作为测试集;
1.3)对训练集进行裁剪的数据增强操作,得到的新的1440张钢板表面缺陷图片及相应的标注,使训练集扩充到2880张。
2)把训练集的图片输入yolov3-spp网络模型,进行迭代训练,调整网络模型的权重参数,达到设定的迭代次数后,得到网络模型的权重文件,具体情况如下:
定义yolov3-spp网络模型的基本组件简称为CBL,该CBL由一个卷积层、一个BN层和一个Leaky relu激活函数组成;
定义一个残差单元Res Unit为一条支路经过两个CBL,另一条支路为原输入,相加得到输出,定义残差组件ResX为一个CBL和X个残差单元组成;
训练集的图片调整至416*416的大小,输入backbone,依次经过1个CBL、Res1、Res2、Res8、Res8、Res4,在第一个Res8的输出、第二个Res8的输出和Res4的输出引出3个层次的特征图C1、C2、C3,其中特征图C1大小为52×52,特征图C2大小为26×26,特征图C3尺寸为13×13;
将C3输入spp模块,分3条支路,第一条支路经过核大小为5×5、步长为1的最大池化层,第一条支路经过核大小为9×9、步长为1的最大池化层并与原输入相加,第一条支路经过核大小为13×13、步长为1的最大池化层,3条支路通过concat操作联合,再依次经过卷积核大小为1×1的卷积层、卷积核大小为3×3的卷积层、卷积核大小为1×1的卷积层得到新的特征图M3;
将M3、C2、C1输入Neck,其中M3经过5个CBL得到P3,P3经过1个CBL和上采样与C2通过concat操作联合,再经过5个CBL得到P2,P2经过1个CBL和上采样与C1通过concat操作联合,再经过5个CBL得到P1;
将P1、P2、P3输入检测头,分别经过1个CBL和一个卷积层得到预测结果,根据训练集的标注计算得到损失,加权得到总的损失,把损失反向传播调整网络模型的权重参数,迭代到指定次数得到权重文件,训练过程中损失的变化如图3所示。
3)把权重文件加载到yolov3-spp网络模型,对测试集的图片进行预测,得到检测结果,包括以下操作:
3.1)把权重文件加载到yolov3-spp网络模型,把测试集的360张钢板表面缺陷图片输入yolov3-spp网络模型;
3.2)测试集的图片经过yolov3-spp网络模型中的检测头的时候,检测头把三个检测分支的预测结果进行concat操作,得到预测结果;
3.3)对预测结果进行后处理:经过解码获得缺陷位置的坐标参数,并根据分类的置信度和交并比进行NMS非极大值抑制操作,得到最终的检测结果,如图4所示。
综上所述,在采用以上方案后,本发明为钢板表面缺陷检测提供了新的方法,将yolov3-spp网络模型中的spp模块作为对多重感受野进行融合的一种有效手段,能够充分提取缺陷在图片中的结构信息,有效提高钢板表面缺陷检测的精确率,值得推广。
以上所述实施例只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (4)
1.基于yolov3-spp网络模型的钢板表面缺陷检测方法,其特征在于,包括以下步骤:
1)获取钢板表面缺陷图片,划分为训练集和测试集;
2)把训练集的图片输入yolov3-spp网络模型,进行迭代训练,调整网络模型的权重参数,达到设定的迭代次数后,得到网络模型的权重文件;其中,所述yolov3-spp网络模型由backbone、spp模块、neck和检测头组成;
3)把权重文件加载到yolov3-spp网络模型,对测试集的图片进行预测,得到检测结果。
2.根据权利要求1所述的基于yolov3-spp网络模型的钢板表面缺陷检测方法,其特征在于:在步骤1)中,所述钢板表面缺陷图片需要不少于1500张,并且按70%-80%的比例提取训练集,余下的作为测试集,其中训练集要做裁剪的数据增强操作。
3.根据权利要求1所述的基于yolov3-spp网络模型的钢板表面缺陷检测方法,其特征在于:在步骤2)中,把训练集的图片输入yolov3-spp网络模型,进行迭代训练,调整网络模型的权重参数,达到设定的迭代次数后,得到网络模型的权重文件,具体情况如下:
定义yolov3-spp网络模型的基本组件简称为CBL,该CBL由一个卷积层、一个BN层和一个Leaky relu激活函数组成;
定义一个残差单元Res Unit为一条支路经过两个CBL,另一条支路为原输入,相加得到输出,定义残差组件ResX为一个CBL和X个残差单元组成;
训练集的图片输入backbone,依次经过1个CBL、Res1、Res2、Res8、Res8、Res4,在第一个Res8的输出、第二个Res8的输出和Res4的输出引出3个层次的特征图C1、C2、C3;
将C3输入spp模块,分3条支路,第一条支路经过核大小为5×5、步长为1的最大池化层,第一条支路经过核大小为9×9、步长为1的最大池化层并与原输入相加,第一条支路经过核大小为13×13、步长为1的最大池化层,3条支路通过concat操作联合,再依次经过卷积核大小为1×1的卷积层、卷积核大小为3×3的卷积层、卷积核大小为1×1的卷积层得到新的特征图M3;
将M3、C2、C1输入Neck,其中M3经过5个CBL得到P3,P3经过1个CBL和上采样与C2通过concat操作联合,再经过5个CBL得到P2,P2经过1个CBL和上采样与C1通过concat操作联合,再经过5个CBL得到P1;
将P1、P2、P3输入检测头,分别经过1个CBL和一个卷积层得到预测结果,根据训练集的标注计算得到损失,加权得到总的损失,把损失反向传播调整网络模型的权重参数,迭代到指定次数得到权重文件。
4.根据权利要求1所述的基于yolov3-spp网络模型的钢板表面缺陷检测方法,其特征在于:在步骤3)中,把权重文件加载到yolov3-spp网络模型,对测试集的图片进行预测,得到检测结果,包括以下步骤:
3.1)把权重文件加载到yolov3-spp网络模型,把测试集的图片输入yolov3-spp网络模型;
3.2)测试集的图片经过yolov3-spp网络模型中的检测头的时候,检测头把三个检测分支的预测结果进行concat操作,得到预测结果;
3.3)对预测结果进行后处理:经过解码获得缺陷位置的坐标参数,并根据分类的置信度和交并比进行NMS非极大值抑制操作,得到最终的检测结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311680.9A CN113160140A (zh) | 2021-03-24 | 2021-03-24 | 基于yolov3-spp网络模型的钢板表面缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110311680.9A CN113160140A (zh) | 2021-03-24 | 2021-03-24 | 基于yolov3-spp网络模型的钢板表面缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113160140A true CN113160140A (zh) | 2021-07-23 |
Family
ID=76888252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110311680.9A Pending CN113160140A (zh) | 2021-03-24 | 2021-03-24 | 基于yolov3-spp网络模型的钢板表面缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113160140A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
CN111612784A (zh) * | 2020-06-01 | 2020-09-01 | 南通大学 | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 |
CN111709381A (zh) * | 2020-06-19 | 2020-09-25 | 桂林电子科技大学 | 基于YOLOv3-SPP的道路环境目标检测方法 |
-
2021
- 2021-03-24 CN CN202110311680.9A patent/CN113160140A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108242054A (zh) * | 2018-01-09 | 2018-07-03 | 北京百度网讯科技有限公司 | 一种钢板缺陷检测方法、装置、设备和服务器 |
US20190213734A1 (en) * | 2018-01-09 | 2019-07-11 | Beijing Baidu Netcom Science And Technology Co., Ltd. | Method and device for detecting a defect in a steel plate, as well as apparatus and server therefor |
CN111612784A (zh) * | 2020-06-01 | 2020-09-01 | 南通大学 | 一种基于分类优先yolo网络的钢板表面缺陷检测方法 |
CN111709381A (zh) * | 2020-06-19 | 2020-09-25 | 桂林电子科技大学 | 基于YOLOv3-SPP的道路环境目标检测方法 |
Non-Patent Citations (1)
Title |
---|
许玉格 等: "基于深度学习的纹理布匹瑕疵检测方法", 《自动化学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111861978B (zh) | 基于Faster R-CNN的桥梁裂缝实例分割方法 | |
CN113160139B (zh) | 基于注意力的Faster R-CNN网络的钢板表面缺陷检测方法 | |
CN111833310B (zh) | 一种基于神经网络架构搜索的表面缺陷分类方法 | |
CN113628178B (zh) | 一种速度与精度平衡的钢铁产品表面缺陷检测方法 | |
CN115880223A (zh) | 一种基于改进yolox的高反光金属表面缺陷检测方法 | |
CN110933685A (zh) | 基于机器学习和射线跟踪的高铁网络覆盖预测方法及装置 | |
CN113124328A (zh) | 一种天然气管道泄漏检测方法及系统 | |
CN110895814A (zh) | 一种基于上下文编码网络的航空发动机孔探图像损伤智能分割方法 | |
CN114677362A (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN104504391A (zh) | 一种基于稀疏特征和马尔科夫随机场的高光谱图像分类方法 | |
CN113160140A (zh) | 基于yolov3-spp网络模型的钢板表面缺陷检测方法 | |
Chen et al. | A cascaded deep learning approach for detecting pipeline defects via pretrained YOLOv5 and ViT models based on MFL data | |
CN113516652A (zh) | 电池表面缺陷和粘合剂检测方法、装置、介质和电子设备 | |
CN116342542A (zh) | 一种基于轻量级神经网络的钢铁产品表面缺陷检测方法 | |
CN116595313A (zh) | 基于多尺度残差注意力网络的故障诊断方法及系统 | |
CN116183718A (zh) | 基于Lamb波非线性混频和LT网络的微裂纹定位与评估方法 | |
CN115761233A (zh) | 融合CBAM的轻量化UNet裂缝图像分割方法 | |
CN111739057B (zh) | 一种基于U-net卷积神经网络模型的自由液面识别和提取方法 | |
CN115330697A (zh) | 基于可迁移Swin Transformer的轮胎瑕疵检测域自适应方法 | |
CN113160141A (zh) | 一种钢板表面缺陷检测系统 | |
CN110082424B (zh) | 一种快速管道漏磁数据多尺度异常区域推荐系统及方法 | |
CN117009801A (zh) | 一种流量预测模型训练方法、检测方法、系统及存储介质 | |
Bohlouli et al. | Application of neuro-wavelet algorithm in ultrasonic-phased array nondestructive testing of polyethylene pipelines | |
Zhang et al. | Diagnosis and Recognition of Pipeline Damage Defects Based on Neural Network Algorithm | |
CN114219811B (zh) | 基于特征金字塔和神经网络的轨道钢表面缺陷分割方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20210723 |