[发明专利]引入注意力机制的yolov3带钢表面缺陷检测与分类方法

说明书

本发明公开了一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法，其包括：制作带钢图像缺陷数据集，将数据分为深化痕、浅划痕、孔洞三类；然后构建引入注意力模块的yolov3网络模型，其中注意力模块包含通道注意力与空间注意力两部分；进而利用制作好的带钢缺陷数据集进行训练，然后将网络模型以及训练好的权重文件保存；最后使用保存的模型即权重进行带钢缺陷检测。该算法识别准确率高，能够达到86％以上的正确率，与原版yolov3网络相比准确率提高5％；检测帧率大，可以实现45fps的检测速度，并且外界光照影响小，能够满足工业检测需求。

技术领域

本发明属于计算机技术领域中的目标检测技术，具体涉及一种引入注意力机制的yolov3带钢表面缺陷检测与分类方法。

背景技术

带钢作为在钢铁工业上的一种重要产品，现如今已被广泛应用在电子电气、机械制造、航空航天工业等领域，所以带钢表面质量的好坏是决定其产品品质的一个必要指标。但由于在带钢生产过程中，会受到生产线上的机械设备、每项加工手法、还有不同生产空间环境等多方面影响，所以带钢表面质量就会出现边浪、夹杂、孔洞、划伤、污渍等各种各样的缺陷，而这些缺陷会严重影响带钢产品的质量。因此，如何高效、准确的检测出钢板带表面出现的缺陷，成为提高钢板带产品质量所需解决的问题，并具有重要的理论研究价值。

传统带钢缺陷检测一般分为两种方法，一种是依靠人工肉眼检测，这种方法过于依赖检验员的主观意识，从而降低可信度。另一种方法是依靠机器视觉系统以及传统图像处理方法，这种方法对环境要求极高，过于依赖稳定可靠的光线环境，而且传统图像处理算法高度定制化，即使设备出现微小偏移也会大大影响检测结果。

随着计算机的普及，硬件设备性能的提高，深度学习又一次在业界被广泛提及，因其能在传统的识别任务上显著提高准确率，彰显出高超的处理复杂任务的能力。许多领域的学者尝试利用深度学习来解决实际问题，其中基于深度学习的目标检测方法被广泛应用于视频处理，自动驾驶等领域，而在传统工业领域应用比较少，本文提出一种引入注意力机制的yolov3的带钢表面缺陷检测与分类方法。该算法具有识别速度快对环境依赖小的优点。

发明内容

本发明的目的是在减少环境依赖的情况下快速准确的进行带钢缺陷检测以及缺陷分类，将注意力机制于目标检测技术相结合，形成一个更加完善有效的检测方法，从而提高工业生产效率。

本发明克服了现有技术中的缺点，提供一种引入注意力机制的yolov3的带钢表面缺陷检测与分类方法。通过分析传统图像处理方法严重依赖环境，泛化能力弱等问题，以及现有目标检测方法识别效率低等问题，提出基于注意力机制和yolov3结合的方式，通过在yolov3的特征提取网络中引入多个注意力模块，使特征提取网络具有全局感受野，提高整个模型的表达能力，增加识别准确率。该算法识别准确率高，能够达到86％以上的正确率，与原版yolov3网络相比准确率提高5％，检测帧率大，可以实现45fps的检测速度，并且外界光照影响小，能够满足工业检测需求。

为了解决上述存在的技术问题，本发明提出如下技术方案：一种基于注意力机制和yolov3的带钢表面缺陷检测与分类方法，其包括如下步骤：

S1、首先制作带钢图像缺陷数据集，本数据集将缺陷分为深化痕、浅划痕和孔洞三类，每类3000张，得到标注的xml文件；

S2、构建包括卷积网络、特征提取网络和边界预测网络在内的yolov3模型，所述卷积网络包括53个1×1和3×3的卷积层，各卷积层后设有归一化层，对上层结果进行归一化，如式(1)：

其中x^(k)指第k层输出、E(x^(k))指输出的期望、Var(x^(k))指输出的方差、指归一化结果；

各卷积层后还设有激活层，激活函数为LeakyReLU：