一种基于YOLO的轻质墙板表面缺陷检测方法及装置

一种基于yolo的轻质墙板表面缺陷检测方法及装置
技术领域
1.本发明涉及缺陷检测领域，特别是一种基于yolo的轻质墙板表面缺陷检测方法及装置。


背景技术：

2.在轻质墙材的生产过程中，对产品进行缺陷检测是必不可少的一步，即识别出缺陷的类型和缺陷的位置。轻质墙材生产中对于产品的表面缺陷识别还停留在人工检测阶段，会受到工人的个人因素影响，效率和质量都难以得到保障。
3.传统的机器视觉技术一般使用图像处理算法，如阈值分割、形态学、连通区域提取等方法取出可能包含产品缺陷的图像区域，再使用贝叶斯网络、支持向量机等算法进行图像分类，以区分出是否是缺陷。传统机器视觉技术不是端到端的算法，对每一种缺陷都要分析其特征，然后利用机器学习算法进行反复试验、调整参数，才能得到一个表现良好的算法，该过程对算法工程师的经验要求很高。表面缺陷检测采用传统的图像处理算法检测有鲁棒性差，误检率高等缺点。
4.采用深度学习目标检测的方法可以使检测准确率大大提高，并能同时对缺陷种类进行分类，模型的泛化性能和鲁棒性有显著增强。


技术实现要素：

5.针对上述的不足，本发明提供了一种基于yolo的轻质墙板表面缺陷检测方法及装置。
6.本发明是通过以下技术方案实现的：
7.本发明的第一方面，提供了一种基于yolo的轻质墙板表面缺陷检测方法，包括以下步骤：
8.收集生产线上存在表面缺陷的轻质墙板的图像，建立轻质墙板缺陷识别库；
9.对所述存在表面缺陷的轻质墙板的图像中的缺陷进行批量标记，并按照7:2:1随机划分为训练集、验证集、测试集；
10.通过k-means算法对标记得到的目标框进行聚类，得到改进后的锚点；
11.采用yolo算法对所述轻质墙板缺陷识别库进行缺陷诊断训练和缺陷识别，从而完成轻质墙板缺陷的故障定位。
12.进一步地，对所述存在表面缺陷的轻质墙板的图像中的缺陷进行批量标记包含以下步骤：
13.使用labelimg标注软件，人工标注缺陷；
14.将标注框的类别、宽高存于txt文件中；
15.将图像随机划分为训练集、验证集和测试集。
16.进一步地，所述轻质墙板缺陷识别训练包括以下步骤：
17.建立以mobilenet为基础的yolo底层模型框架；
18.依据轻质墙板的缺陷特征确立若干个网络节点的输出尺寸；
19.依据训练图像的大小调节参数，缩放图像，依据所述网络节点选择batch size，通过前向传播和后向传播迭代训练，当训练达到最优iou及最低loss值时，保存权重并退出训练；其中iou表示图像处理的交并比；loss表示网络实际输出值与样本标签值之间的偏差；batch size表示一次训练所选取的样本数。
20.进一步地，所述网络节点的输出尺寸，包括13
×
13
×
18，26
×
26
×
18，52
×
52
×
18。
21.进一步地，所述缩放图像，依据所述网络节点选择batch size，包括使所述图像放缩为224
×
224，依据所述网络节点选择batch 32。
22.进一步地，所述轻质墙板缺陷诊断识别，包括以下步骤：
23.通过下采样设置9种尺寸不同的先验框；
24.采用尺寸最大的三个所述先验框对13
×
13的特征图进行特征检测提取，采用尺寸中等的三个所述先验框对26
×
26的特征图进行特征检测提取，采用尺寸最小的三个所述先验框对52
×
52的特征图进行特征检测提取，从而形成各自的特征库；
25.采用三个yolo输出层分别对各自前一层的特征库进行解析，输出诊断预测信息和预测置信度，输出三个尺寸的iou值；
26.通过横向比较不同尺寸下的iou值，完成轻质墙板缺陷诊断识别。
27.本发明的第二方面，提供了一种基于yolo的轻质墙板缺陷检测装置，包括：
28.获取单元，用于获取轻质墙板表面缺陷图像；
29.框选单元，用于对所述轻质墙板表面缺陷图像中的缺陷进行批量框选；
30.轻质墙板表面缺陷定位单元，用于建立轻质墙板表面缺陷识别库，采用yolo算法对所述轻质墙板缺陷识别库进行缺陷诊断训练和缺陷识别训练，从而完成轻质墙板缺陷定位。
31.该发明的有益之处是，本发明采用端到端的设计，节省人力，识别效率和准确率都更突出；检测速度快，能够满足轻质墙板生产线无人生产的应用需求；本发明的检测准确率高、鲁棒性强、速度快；本发明利用mobilenet轻量化网络替换了darknet网络，训练时间短、检测速度快。
附图说明
32.图1为本发明一种基于yolo的轻质墙板缺陷检测的整体流程图；
具体实施方式
33.如图1所示，本发明的检测方法包括以下步骤：
34.步骤一：收集生产线上存在表面缺陷的轻质墙板的图像，建立轻质墙板缺陷识别库；
35.步骤二：对所述存在表面缺陷的轻质墙板的图像中的缺陷进行批量标记，并按照7:2:1随机划分为训练集、验证集、测试集；
36.步骤三：通过k-means算法对标记得到的目标框进行聚类，得到改进后的锚点；
37.步骤四：采用yolo算法对所述轻质墙板缺陷识别库进行缺陷诊断训练和缺陷识别，从而完成轻质墙板缺陷的故障定位。
38.本发明步骤二所述的训练集、验证集、测试集彼此之间互相独立。由于采取的是监督性学习方式检测轻质墙板缺陷，所以需要人工用labelimg软件手动标记缺陷目标，获得目标的类别及位置框信息，保存的格式是txt的标签文件。
39.本发明步骤三采用k-means算法，采用距离作为相似性的评价指标，即两个对象距离越近，相似度越高。
40.本发明步骤四将步骤二处理后的训练集和验证集以及步骤三获取的锚点集合输入yolo神经网络进行训练。
41.对于本领域的普通技术人员而言，根据本发明的教导，在不脱离本发明的原理与精神的情况下，对实施方式所进行的改变、修改、替换和变型仍落入本发明的保护范围之内。


技术特征：
1.基于yolo的轻质墙板表面缺陷检测方法及装置，其特征在于，包括以下步骤：步骤一：收集生产线上存在表面缺陷的轻质墙板的图像，建立轻质墙板缺陷识别库；步骤二：对所述存在表面缺陷的轻质墙板的图像中的缺陷进行批量标记，并按照7:2:1随机划分为训练集、验证集、测试集；步骤三：通过k-means算法对标记得到的目标框进行聚类，得到改进后的锚点；步骤四：采用yolo算法对所述轻质墙板缺陷识别库进行缺陷诊断训练和缺陷识别，从而完成轻质墙板缺陷的故障定位。

技术总结
基于YOLO的轻质墙板表面缺陷检测方法及装置，其特征在于，包括以下步骤：步骤一：收集生产线上存在表面缺陷的轻质墙板的图像，建立轻质墙板缺陷识别库；步骤二：对所述存在表面缺陷的轻质墙板的图像中的缺陷进行批量标记，并按照7:2:1随机划分为训练集、验证集、测试集；步骤三：通过K-means算法对标记得到的目标框进行聚类，得到改进后的锚点；步骤四：采用YOLO算法对所述轻质墙板缺陷识别库进行缺陷诊断训练和缺陷识别，从而完成轻质墙板缺陷的故障定位。故障定位。


技术研发人员：陈继文 马文静 孟德才 于永鹏 杨红娟 姬帅 贝太学 刘洪彬 于复生 高晓明
受保护的技术使用者：山东建筑大学
技术研发日：2022.03.07
技术公布日：2022/6/4