[发明专利]一种基于深度学习的锻件缺陷检测方法

权利要求书

1.一种基于深度学习的锻件缺陷检测方法，先建立用于检测锻件缺陷的YOLOv4算法模型，再对YOLOv4算法模型进行训练，然后采用训练后的YOLOv4算法模型对待检测锻件的照片进行缺陷检测；其特征在于，在YOLOv4算法模型的特征提取网络中的残差连接后插入CBAM注意力模块，对特征进行筛选。

2.如权利要求1所述的基于深度学习的锻件缺陷检测方法，其特征在于，插入CBAM注意力模块后，指定池化后的channel值为CSP层输出的特征图通道数。

3.如权利要求1所述的基于深度学习的锻件缺陷检测方法，其特征在于，所述CBAM注意力模块包括通道注意力模块和空间注意力模块。

4.如权利要求3所述的基于深度学习的锻件缺陷检测方法，其特征在于，所述通道注意力模块将输入的特征图在空间上分别经过最大池化处理和平均池化处理，再分别经过多层感知机MLP将输出特征进行相加操作，最后经过激活函数sigmoid激活得到最终的通道注意力权值，计算如下：

式中：F表示神经网络输入的特征，σ表示激活函数sigmoid，表示全局平均池化后的特征，表示全局最大池化后的特征，W₀和W₁表示多层感知机MLP的参数。

5.如权利要求4所述的基于深度学习的锻件缺陷检测方法，其特征在于，所述空间注意力模块将通道注意力模块输出的特征图在通道维度上进行最大池化和平均池化得到F_max和F_avg，再将两个结果基于通道进行拼接，得到通道数为2的特征图，最后对特征图进行卷积操作，通过激活函数sigmoid得到空间注意力特征图，计算如下：

式中，σ表示激活函数sigmoid，表示平均池化后的特征，表示最大池化后的特征，f^7×7表示卷积层中卷积核的大小。

6.如权利要求1所述的基于深度学习的锻件缺陷检测方法，其特征在于，在YOLOv4算法模型中，采用K-means++算法进行锚框设置，具体步骤为：

S1、在输入的S个样本点中随机选取一个作为聚类中心；

S2、对于样本中每一个点，计算它与已经选择的聚类中心点之间的最小IOU距离d，然后计算每个样本点被选为下一个聚类中心点的概率，d越大，被选择成为下一个中心点的概率越大；

S3、重复步骤S2，直到找到K个聚类中心点；

S4、计算样本中每一个标注框到K个聚类中心点的IOU距离，将其划分到距离最短的聚类中心所对应的类别；

S5、标注框分配完成后，重新计算每个簇的聚类中心点所在位置，计算公式如下：

式中：W′_j为第j个簇聚类中心的宽，∑w_j为第j个簇中所有对象的总宽，N_j为第j个簇，H_j′为第j个簇聚类中心的高，∑h_j为第j个簇中所有对象的总高；

S6、重复步骤S4和步骤S5，直至聚类中心点所在位置不再变化，输出聚类中心。

7.如权利要求1所述的基于深度学习的锻件缺陷检测方法，其特征在于，对YOLOv4算法模型进行训练时，先获取锻件不同部位的图片，根据划分的缺陷类型对图像中的缺陷进行分类打标，对图片进行旋转仿射和随机噪声处理扩充样本量，并随机选取训练集和测试集对YOLOv4算法模型进行训练。