[发明专利]一种用于缺陷检测的yolov5优化方法及优化系统

说明书

本发明公开了一种用于缺陷检测的yolov5优化方法及优化系统，属于缺陷检测技术领域，包括：S1、数据预处理：首先获取图片集，然后对图片集中的图像进行标注，最后将图片集划分出训练集和测试集；S2、yolov5优化：具体为：S201、利用yolov5对训练集和测试集进行训练得到IOU值；S202、优化yolov5，得到Abs‑Loss‑yolov5；S203、分别使用yolov5和Abs‑Loss‑yolov5对训练集进行训练，并使用测试集验证效果；S3、通过提高置信度阈值的手段过滤过杀。本发明通过对于传统yolov5损失函数进行优化，使yolov5对于有把握的检出框能够正确地得到高置信度检出。

技术领域

本发明属于缺陷检测技术领域，具体涉及一种用于缺陷检测的yolov5优化方法及优化系统。

背景技术

深度学习领域发展至今，针对计算机视觉领域缺陷检测赛道最为广泛使用的模型包括yolov5和Faster-RCNN，其中，yolov5单阶段网络模型具有速度快，易部署等优势，综合检出能力稍逊于Faster-RCNN，而双阶段模型Faster-RCNN虽然有较好的检出精度，但模型更为复杂，运算速度上远不如yolov5，有时不能满足工业节拍需要。因此两者各有利弊，实际使用中需根据具体场景选择使用。

目前，使用yolov5作为缺陷检测模型时却会遇到一个严重的问题，那就是此模型对于每个检出的置信度都不高，有时甚至是非常低，且有越小的目标越容易出现低得分的缺点。在使用COCO或VOC等国际通用的数据集进行目标检测时，由于目标都是人、狗、车等明确目标，一般不容易将背景误认为目标，即发生误检，所有检出无论置信度高低都可以认为是正确检出。但是在缺陷检测中，人们的任务不是简单地将缺陷识别出来，而是要根据缺陷的程度、深浅、强弱对缺陷进行区分，仅检出较为严重的缺陷，不严重的缺陷（是否严重的标准由具体生产厂商自行定义）由于不影响工件的正常使用，通常会被要求不检出，如果检出，亦视为过杀（误检）；在这种情况下，低置信度的yolov5模型在使用中会面临以下三个致命难题：

1，部分正确检出，尤其小缺陷的得分非常低，只要稍微提高阈值，就会造成大量漏检。

2，部分检出得分很低，以至于它们落入过杀的集中得分区域，对于这些特征相似、得分相同的检出，即使后处理手段也很难再区分。

3，在实际工业生产中，企业更加重视召回，通常要求召回率在99%以上，甚至100%，也就是几乎不允许出现漏检。因此在部分检出得分很低的情况下，无法通过提高阈值的手段来过滤掉那些同样低置信度的过杀；这就导致，虽然厂商对过杀有一定的容忍度，但yolov5模型带来的过杀率往往大幅超过厂商的底线。

例如，图1中的右侧图是在高标注质量的数据集上进行训练得到的检出结果，这类黑皮缺陷中的大部分具有特征明确、训练数据充足的特点，若使用Faster-RCNN模型进行训练，检出率虽相差无几，但图中大部分检出框都可达到0.9以上的置信度，大大降低阈值过滤的难度。而在yolov5中，这些明显得分过低的正确检出严重制约着后续对于过杀的剔除。

因此，传统yolov5在缺陷检测领域中的实用性有待提高。

发明内容

本发明为解决公知技术中存在的技术问题，提供一种用于缺陷检测的yolov5优化方法及优化系统，通过对于传统yolov5损失函数进行优化，使yolov5对于有把握的检出框能够正确地得到高置信度检出。

本发明的第一目的是提供一种用于缺陷检测的yolov5优化方法，包括：

S1、数据预处理：

首先获取图片集，然后对图片集中的图像进行标注，最后将图片集划分出训练集和测试集；

S2、yolov5优化：具体为：

S201、利用yolov5对训练集和测试集进行训练得到IOU值，所述IOU值在0-1之间；

S202、优化yolov5，得到Abs-Loss-yolov5；具体为：