本發(fā)明涉及一種實時帶鋼表面缺陷檢測方法。

背景技術(shù)：

1、在現(xiàn)代制造業(yè)體系中，帶鋼作為金屬工業(yè)的重要核心產(chǎn)品，廣泛應(yīng)用于建筑、汽車、高端機械制造、航空航天及電子封裝等多個領(lǐng)域，構(gòu)成了工業(yè)生產(chǎn)與國防建設(shè)的關(guān)鍵基礎(chǔ)。伴隨精密制造、智能化生產(chǎn)以及高端裝備制造業(yè)的快速發(fā)展，市場對帶鋼產(chǎn)品的表面質(zhì)量、安全穩(wěn)定性和一致性提出了更高要求。生產(chǎn)過程中，原料金相組織、軋制參數(shù)及在線環(huán)境光照等多因素耦合作用，常導(dǎo)致裂紋、剝離、劃痕與凹坑等表面缺陷，這不僅增加后續(xù)熱處理與涂層工藝成本，也嚴重威脅終端產(chǎn)品的可靠性。因此，帶鋼缺陷檢測技術(shù)對于提高產(chǎn)品質(zhì)量和制造效率具有重要意義。

2、自20世紀(jì)末以來，學(xué)界與產(chǎn)業(yè)界先后提出了多種帶鋼缺陷檢測技術(shù)，涵蓋渦流檢測、紅外成像、漏磁法及人工目視檢查等傳統(tǒng)手段，然而這些方法往往存在檢測成本高、覆蓋范圍受限及實時性能不足等問題。隨著計算機視覺、深度學(xué)習(xí)與邊緣計算技術(shù)的快速推進，基于目標(biāo)檢測的實時視覺檢測系統(tǒng)已成為研究與應(yīng)用的主流。

3、目標(biāo)檢測（object?detection）作為計算機視覺領(lǐng)域的重要研究方向，起源較早。在深度學(xué)習(xí)廣泛應(yīng)用之前，該領(lǐng)域主要依賴于基于圖像處理與傳統(tǒng)機器學(xué)習(xí)方法構(gòu)建的檢測框架。相關(guān)研究大致可分為三類：其一，基于人工設(shè)計特征的圖像處理方法，如局部二值模式（local?binary?pattern,?lbp）、方向梯度直方圖（histogram?of?orientedgradient,?hog）、灰度共生矩陣（gray-level?co-occurrence?matrix,?glcm）等，用于提取圖像中表面缺陷的低層次特征；其二，基于頻域與統(tǒng)計特征提取的傳統(tǒng)信號處理方法，包括傅里葉變換、小波變換及gabor濾波器等；其三，采用經(jīng)典機器學(xué)習(xí)模型進行缺陷判別的算法，如決策樹、自回歸模型等。上述方法雖在金屬表面缺陷檢測中取得了一定進展，但由于傳統(tǒng)圖像特征對光照條件、背景噪聲等因素敏感，且淺層特征在復(fù)雜場景下表征能力有限，導(dǎo)致檢測性能存在明顯瓶頸。因此，盡管諸多學(xué)者提出了各類基于傳統(tǒng)機器學(xué)習(xí)的檢測模型，其在實際工業(yè)環(huán)境中的推廣應(yīng)用仍受較大限制。

4、近年來，隨著人工智能技術(shù)的快速發(fā)展及圖形處理器（gpu）計算能力的顯著提升，深度學(xué)習(xí)技術(shù)在金屬表面缺陷檢測領(lǐng)域展現(xiàn)出廣闊的應(yīng)用前景。卷積神經(jīng)網(wǎng)絡(luò)（convolutional?neural?network,?cnn）憑借其端到端的特征自動提取能力，在目標(biāo)檢測與圖像分類任務(wù)中表現(xiàn)出優(yōu)異性能，受到廣泛關(guān)注。目前，已有大量研究嘗試將深度學(xué)習(xí)方法引入金屬表面缺陷檢測任務(wù)中。lin等人提出了一種基于mobilenet的多模型級聯(lián)cnn結(jié)構(gòu)，旨在提高工業(yè)光學(xué)缺陷檢測中的精度表現(xiàn)，盡管未考慮實時性問題；li等人構(gòu)建了一個參數(shù)復(fù)雜的集成模型，用于提升工業(yè)鐵路缺陷的檢測能力；zhou等人將注意力機制引入yolov5s網(wǎng)絡(luò)結(jié)構(gòu)，有效提升了模型在復(fù)雜場景下的檢測精度；zhang等人將輕量化卷積層gsconv融合至yolov5s中，以犧牲部分精度為代價提升了帶鋼缺陷的檢測速度；lv等人基于yolov7設(shè)計了高精度的帶鋼表面缺陷檢測模型；li等人進一步在yolov7的基礎(chǔ)上精簡模型復(fù)雜度，同時保持較強的檢測能力；wu等人通過引入輕量化卷積與注意力機制，對yolov5n進行了結(jié)構(gòu)優(yōu)化，構(gòu)建了高效輕量的鋼材表面缺陷檢測框架，但判別準(zhǔn)確率低。

5、盡管上述研究在提升模型性能方面取得了一定進展，但現(xiàn)有方法在檢測精度與檢測效率之間尚未實現(xiàn)理想平衡。此外，這些模型多基于理想實驗環(huán)境下構(gòu)建的數(shù)據(jù)集進行訓(xùn)練與評估，難以應(yīng)對實際應(yīng)用中諸如過度曝光、亮度不均等干擾因素的挑戰(zhàn)。尤其在帶鋼表面缺陷檢測等典型工業(yè)場景中，檢測系統(tǒng)面臨極高的魯棒性與實時性要求，現(xiàn)有深度學(xué)習(xí)模型尚難以在復(fù)雜工況下同時滿足檢測精度與速度的雙重需求，亟需進一步優(yōu)化與突破。

6、因此，提供一種實時帶鋼表面缺陷檢測方法。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種實時帶鋼表面缺陷檢測方法，在保持卓越檢測性能與高速推理能力的同時，顯著降低了模型參數(shù)量與計算復(fù)雜度，能夠滿足金屬鍛造工業(yè)對在線檢測系統(tǒng)的嚴苛需求。

2、實現(xiàn)上述目的的技術(shù)方案是：

3、一種實時帶鋼表面缺陷檢測方法，包括：

4、步驟s1，選擇neu-det作為表面缺陷檢測數(shù)據(jù)集，并將數(shù)據(jù)集按照8:2的比例隨機劃分出訓(xùn)練集和測試集；

5、步驟s2，對表面缺陷檢測數(shù)據(jù)集進行預(yù)處理；

6、步驟s3，以yolov8n為基礎(chǔ)，構(gòu)建缺陷檢測模型steelguard-yolo；

7、步驟s4，通過訓(xùn)練集對缺陷檢測模型steelguard-yolo進行訓(xùn)練，并利用訓(xùn)練后的缺陷檢測模型steelguard-yolo對測試集進行檢測，輸出檢測結(jié)果；

8、所述步驟s3中，構(gòu)建缺陷檢測模型steelguard-yolo，包括：

9、在yolov8n框架的骨干網(wǎng)絡(luò)中，引入gsconv（輕量級的卷積技術(shù)）代替?zhèn)鹘y(tǒng)卷積層conv，且gsconv融合標(biāo)準(zhǔn)卷積與深度可分離卷積結(jié)構(gòu)；

10、gsconv?在保持與標(biāo)準(zhǔn)卷積相當(dāng)?shù)奶卣鲗W(xué)習(xí)能力的同時，引入分組位移操作與點卷積融合，進而得到?gsresbottleneck（結(jié)合了網(wǎng)格采樣技術(shù)和殘差瓶頸結(jié)構(gòu)的神經(jīng)網(wǎng)絡(luò)模塊）結(jié)構(gòu)；

11、在gsresbottleneck結(jié)構(gòu)的基礎(chǔ)上，結(jié)合廣義深度學(xué)習(xí)優(yōu)化策略及?one-shot聚合思想，設(shè)計resgscsp模塊；

12、在yolov8n框架的neck（頸部）結(jié)構(gòu)中引入多尺度協(xié)同注意力機制msca，置于sppf（空間金字塔池化快速）模塊之前，并采用輕量化dysample上采樣方法替代原有的最近鄰插值方式；

13、最后，在損失函數(shù)設(shè)計方面，引入focal?loss（深度學(xué)習(xí)損失函數(shù)），對易分類樣本與難分類樣本動態(tài)賦予不同權(quán)重。

14、優(yōu)選的，所述步驟s1中，neu-det（東北大學(xué)表面缺陷檢測數(shù)據(jù)集）包括裂紋、夾雜物、補丁、凹凸表面、卷曲氧化物和劃痕六類典型缺陷，每類均收錄300幅分辨率為200×200像素的灰度圖像。

15、優(yōu)選的，所述步驟s2中，預(yù)處理操作包括但不限于數(shù)據(jù)增強處理。

16、優(yōu)選的，所述步驟s3中，gsresbottleneck結(jié)構(gòu)和resgscsp模塊均引入了殘差連接，計算表達式為：

17、；

18、式中，和分別為殘差塊的輸入與輸出，為一系列g(shù)sconv、激活函數(shù)與歸一化操作。

19、優(yōu)選的，所述步驟s3中，引入多尺度協(xié)同注意力機制msca，設(shè)輸入特征圖張量為：

20、；

21、式中，為通道數(shù)與空間尺寸，和分別為輸入特征圖的空間維度，即特征圖的高度和寬度，多尺度注意力機制msca首先在通道維度上將劃分為組子特征，即：

22、；

23、對每組特征分別執(zhí)行一維水平與垂直方向的自適應(yīng)平均池化以獲取空間上下文：

24、；

25、；

26、式中，為第組在水平第行的平均特征值，為第行第列的位置索引，為第組在垂直第列的平均特征值；

27、再分別加入可學(xué)習(xí)的位置編碼向量，構(gòu)建位置信息增強特征：

28、；

29、；

30、式中，為注入水平位置編碼后的池化特征，為原始水平池化結(jié)果，為可學(xué)習(xí)的水平位置編碼向量，為注入垂直位置編碼后的池化特征，為原始垂直池化結(jié)果，為可學(xué)習(xí)的垂直位置編碼向量；

31、上述兩個方向的特征拼接為二維表征：

32、；

33、式中，為特征拼接操作；

34、依次施加深度可分離卷積以捕捉長短距離聯(lián)合空間依賴：

35、；

36、；

37、式中，為經(jīng)dwconv后的特征響應(yīng)，為經(jīng)pwconv后的特征響應(yīng)，為對做深度可分離卷積，為對做逐點卷積；

38、再通過?sigmoid?激活生成空間注意力權(quán)重：

39、；

40、；

41、式中，為水平空間注意力權(quán)重，為對前行特征做sigmoid激活后的結(jié)果，為垂直空間注意力權(quán)重，為對后行特征做sigmoid并轉(zhuǎn)置后的結(jié)果，為轉(zhuǎn)置操作；

42、得到空間加權(quán)輸出：

43、；

44、對進行通道壓縮以提取全局通道語義：

45、；

46、式中，為通道壓縮操作；

47、輸入兩層逐點卷積網(wǎng)絡(luò)進行門控變換：

48、；

49、式中，為通道門控系數(shù)向量；

50、其中權(quán)重維度為：

51、；

52、；

53、激活函數(shù)為：

54、；

55、；

56、最終通道加權(quán)特征表示為：

57、；

58、對應(yīng)用卷積整合空間-通道特征，并與原始特征相加，實現(xiàn)高效融合：

59、；

60、為增強信息流的有效傳遞，進一步通過殘差注意力機制對融合后的特征進行自適應(yīng)加權(quán)：

61、；

62、式中，為自適應(yīng)加權(quán)函數(shù)，能夠動態(tài)地根據(jù)輸入特征的重要性分配不同的權(quán)重。

63、最終輸出特征為：

64、。

65、優(yōu)選的，所述步驟s3中，采用輕量化dysample上采樣方法替代原有的最近鄰插值方式，包括：

66、采用grid_sample函數(shù)，以采樣集提供的坐標(biāo)對輸入特征圖進行重采樣，該過程基于雙線性插值方法，實現(xiàn)特征映射，生成新特征圖，具體定義如下：

67、；

68、設(shè)上采樣比例因子為，通過一層線性變換將通道數(shù)由映射至，生成偏移量張量：

69、；

70、隨后，借助pixel?shuffle操作將偏移量張量重排為尺寸為的坐標(biāo)偏移場，并與原始規(guī)則采樣網(wǎng)格相加，得到動態(tài)采樣集：

71、；

72、；

73、最后，利用基于的雙線性插值函數(shù)對進行重采樣，直接生成高分辨率特征圖。

74、優(yōu)選的，所述步驟s3中，在損失函數(shù)設(shè)計方面，引入focal?loss，對易分類樣本與難分類樣本動態(tài)賦予不同權(quán)重，包括：

75、設(shè)標(biāo)準(zhǔn)的多類別交叉熵損失函數(shù)定義為：

76、；

77、式中，為模型輸出的第類的預(yù)測概率，為實際標(biāo)簽；

78、在損失函數(shù)基礎(chǔ)上，通過引入調(diào)制系數(shù)，使網(wǎng)絡(luò)在訓(xùn)練過程中更加側(cè)重于預(yù)測置信度低、難分樣本的梯度反饋，其形式表示為：

79、；

80、式中，為可調(diào)超參數(shù)；

81、當(dāng)某樣本被錯誤分類時，值較小，此時調(diào)制系數(shù)接近?1，與標(biāo)準(zhǔn)交叉熵損失保持一致；

82、對于易分樣本，值較大，調(diào)制系數(shù)趨近于0，從而顯著降低其對總損失的貢獻。

83、與現(xiàn)有技術(shù)對比，本發(fā)明具備以下有益效果：

84、本發(fā)明基于gsconv提出了gsresbottleneck，并結(jié)合one-shot聚合策略設(shè)計了一種高效的跨階段部分網(wǎng)絡(luò)（csp）模塊resgscsp，在提高檢測精度的同時，降低了計算復(fù)雜度與推理時間；

85、本發(fā)明在spff層之前引入多尺度協(xié)同注意力機制msca，以強化模型對關(guān)鍵特征的聚焦能力，提升特征表達與魯棒性，并進一步增強跨尺度目標(biāo)的泛化性能；

86、本發(fā)明在頸部網(wǎng)絡(luò)中，采用dysample上采樣替代傳統(tǒng)最近鄰上采樣，以生成更高質(zhì)量的特征圖，增強了模型的深度特征融合能力；

87、本發(fā)明引入focal?loss作為損失函數(shù)，通過對易分類樣本與困難樣本動態(tài)分配不同權(quán)重，顯著提升了難分缺陷樣本的識別精度與整體模型的魯棒性；

88、綜上，本發(fā)明考慮了帶鋼生產(chǎn)中的干擾因素，對原始數(shù)據(jù)使用對比度擾動、亮度擾動及高斯噪聲等5種數(shù)據(jù)干擾方法，以測試?steelguard-yolo?方法的魯棒性，結(jié)果表明，steelguard-yolo?具有先進的泛化性能，使其適用于真實的生產(chǎn)環(huán)境，有效提高了帶鋼生產(chǎn)的質(zhì)量和效率。