買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費(fèi)！專利年費(fèi)監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜河北工業(yè)大學(xué)申請的專利一種基于改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN114663346B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-04-15發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202210113743.4，技術(shù)領(lǐng)域涉及：G06T7/00；該發(fā)明授權(quán)一種基于改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測方法是由石肖松;劉坤;楊曉松;孟蕊設(shè)計(jì)研發(fā)完成，并于2022-01-30向國家知識產(chǎn)權(quán)局提交的專利申請。

本一種基于改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測方法在說明書摘要公布了：本發(fā)明公開一種基于改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測方法，該檢測方法以YOLOv5網(wǎng)絡(luò)模型為基礎(chǔ)，加入了自行設(shè)計(jì)的通道空間注意力模塊，提高檢測精度，解決了在復(fù)雜場景及背景下的特征提取難題。本發(fā)明檢測方法充分發(fā)揮了深度學(xué)習(xí)方法提取特征的優(yōu)勢，能夠不依賴人工的特征工程，從大量數(shù)據(jù)集中先學(xué)習(xí)簡單的淺層特征，再逐漸學(xué)習(xí)到更為復(fù)雜抽象的深層特征，性能更好，缺陷種類識別精度更高，且鋰電池的缺陷的精確率、召回率高，識別速度快。

本發(fā)明授權(quán)一種基于改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測方法在權(quán)利要求書中公布了：1.一種基于改進(jìn)YOLOv5網(wǎng)絡(luò)的帶鋼表面缺陷檢測方法，其特征在于，該檢測方法包括以下步驟：第一步：圖像數(shù)據(jù)集獲取1.1利用工業(yè)相機(jī)采集帶鋼表面圖像，篩選出包含缺陷的圖片；當(dāng)篩選出的缺陷圖像中的缺陷類型涵蓋已知的帶鋼表面缺陷的類型時(shí)，形成缺陷圖片集；1.2將缺陷圖片集進(jìn)行尺寸歸一化操作，然后使用Labelimg軟件對缺陷圖片集中的圖片進(jìn)行手動標(biāo)注，使每一張缺陷圖片上具有缺陷種類和缺陷位置坐標(biāo)的標(biāo)簽；1.3隨機(jī)將完成標(biāo)注的缺陷圖片集的不少于60％部分劃分為訓(xùn)練集，余下部分為驗(yàn)證集；第二步：構(gòu)造改進(jìn)YOLOv5網(wǎng)絡(luò)模型改進(jìn)YOLOv5網(wǎng)絡(luò)模型為在YOLOv5網(wǎng)絡(luò)模型的基礎(chǔ)上，在PAN的三個(gè)CSP23_模塊與網(wǎng)絡(luò)模型的分類與定位部分的三個(gè)conv模塊之間均串連接入一個(gè)CSA模塊；CSA模塊包括一個(gè)通道注意力模塊和一個(gè)空間注意力模塊，兩個(gè)模塊串聯(lián)，通道注意力模塊的輸出為空間注意力模塊的輸入；CSP23_模塊輸出的特征圖F1輸入到CSA模塊中，首先經(jīng)過通道注意力模塊處理，通道注意力模塊首先將輸入的特征F1分別經(jīng)過基于深度和寬度的全局最大池化和全局平均池化，得到兩個(gè)C×1×1的特征圖；接著，將得到的兩個(gè)C×1×1的特征圖分別經(jīng)過一個(gè)卷積核大小為k的快速一維卷積處理，然后將兩個(gè)快速一維卷積得到的結(jié)果相加后再經(jīng)過激活函數(shù)sigmoid處理，得到通道注意力；將通道注意力乘以原始特征F1進(jìn)行特征的重新加權(quán)，得到加權(quán)后的特征F2；通道注意力模塊輸出的特征F2輸入到空間注意力模塊，空間注意力模塊對特征F2分別進(jìn)行全局最大池化和全局平均池化處理，得到兩個(gè)1×W×H的特征圖；然后將這兩個(gè)1×W×H的特征圖基于通道做通道拼接操作，然后將拼接操作得到的結(jié)果經(jīng)過一個(gè)卷積核為7×7大小的卷積操作，降維為一個(gè)一維向量，即1×W×H，再經(jīng)過激活函數(shù)sigmoid生成空間注意力權(quán)重；最后將空間注意力權(quán)重與輸入特征F2相乘，得到空間注意力模塊的輸出特征F3；特征F3即為CSA模塊的輸出，也為網(wǎng)絡(luò)模型的分類與定位部分的conv模塊的輸入；第三步：訓(xùn)練改進(jìn)YOLOv5網(wǎng)絡(luò)模型3.1圖像數(shù)據(jù)集預(yù)處理將訓(xùn)練集采用Mosaic數(shù)據(jù)增強(qiáng)的方式進(jìn)行預(yù)處理；3.2參數(shù)設(shè)置初始化所有權(quán)重值、偏置值、批量歸一化尺度因子值，設(shè)置網(wǎng)絡(luò)的初始學(xué)習(xí)率、batch_size，并將初始化的參數(shù)數(shù)據(jù)輸入網(wǎng)絡(luò)中；根據(jù)訓(xùn)練損失的變化來動態(tài)調(diào)整學(xué)習(xí)率與迭代次數(shù)，以更新整個(gè)網(wǎng)絡(luò)的參數(shù)；訓(xùn)練分為兩個(gè)階段，第一階段是訓(xùn)練開始的前100個(gè)周期，初始學(xué)習(xí)率固定為0.001，以加快收斂；第二階段是指100個(gè)周期之后的訓(xùn)練周期，初始學(xué)習(xí)率設(shè)置為0.0001；3.3網(wǎng)絡(luò)模型訓(xùn)練將經(jīng)過預(yù)處理的訓(xùn)練集輸入到第二步中的初始化參數(shù)設(shè)定好后的改進(jìn)YOLOv5網(wǎng)絡(luò)模型中進(jìn)行特征提取，利用K-means聚類方法對訓(xùn)練集圖像自動生成錨框，以錨框的尺寸作為先驗(yàn)框，通過邊框回歸預(yù)測得到邊界框；然后使用logistic分類器對邊界框進(jìn)行分類，獲得每個(gè)邊界框?qū)?yīng)的缺陷類別分類概率；再通過非極大值抑制法對所有邊界框的缺陷類別分類概率進(jìn)行排序，確定每個(gè)邊界框?qū)?yīng)的缺陷類別，得到預(yù)測值；預(yù)測值包括缺陷類別和缺陷位置信息，非極大抑制閾值為0.5；然后通過損失函數(shù)GIOU計(jì)算預(yù)測值和真實(shí)值之間的loss值；根據(jù)訓(xùn)練損失值進(jìn)行反向傳播，更新骨干網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)的參數(shù)，直至loss值符合預(yù)設(shè)，網(wǎng)絡(luò)模型參數(shù)的訓(xùn)練完成；3.4網(wǎng)絡(luò)模型測試將驗(yàn)證集輸入到步驟3.3中完成參數(shù)訓(xùn)練的網(wǎng)絡(luò)模型中，得到驗(yàn)證集的張量預(yù)測值；將其張量預(yù)測值與標(biāo)注信息對比，測試該網(wǎng)絡(luò)模型的可靠性；采用AP對網(wǎng)絡(luò)模型進(jìn)行評價(jià)，當(dāng)AP不小于85％時(shí)，則該網(wǎng)絡(luò)模型測試為可靠；第四步：帶鋼表面缺陷檢測將待檢測的帶鋼表面圖像經(jīng)過如第一步的步驟1.2中相同的尺寸歸一化操作，然后輸入到第三步中測試為可靠的網(wǎng)絡(luò)模型中，得到待檢測的帶鋼表面圖像的缺陷張量信息，包括缺陷位置、缺陷類別和置信度。

如需購買、轉(zhuǎn)讓、實(shí)施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人河北工業(yè)大學(xué)，其通訊地址為：300130 天津市紅橋區(qū)丁字沽光榮道8號河北工業(yè)大學(xué)東院330#；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。