本發(fā)明涉及鋼材檢測，特別涉及一種基于kdh-yolov7的鋼材缺陷檢測方法。

背景技術(shù)：

1、鋼材作為重要的建筑和制造材料，在生產(chǎn)過程中可能會受到各種因素的影響而產(chǎn)生表面缺陷，例如劃痕、氧化、污漬等，這些缺陷不僅會影響產(chǎn)品的外觀，最重要的是影響其性能和耐久性；缺陷檢測技術(shù)則是計算機(jī)輔助工業(yè)生產(chǎn)的一項關(guān)鍵而富有挑戰(zhàn)性的任務(wù)，它可以提高鋼材產(chǎn)品的安全性和可靠性，保證生命財產(chǎn)安全；以往鋼材表面的缺陷是通過人工視覺檢測，然而人工視覺檢測存在主觀性差異而且容易導(dǎo)致操作員疲勞，極大的降低了檢測效率，存在安全隱患；又因為鋼材的大規(guī)模生產(chǎn)，所以檢測需要耗費大量時間和人力資源；現(xiàn)有檢測模型在效率、適用范圍和自動化方面也存在一定局限性。

2、相比于一些更復(fù)雜的目標(biāo)檢測模型，如faster?r-cnn和ssd，yolov7網(wǎng)絡(luò)模型的精度可能略低。它可能在目標(biāo)邊界的細(xì)節(jié)和小目標(biāo)檢測方面表現(xiàn)較差；由于yolov7網(wǎng)絡(luò)模型具有較大的網(wǎng)絡(luò)結(jié)構(gòu)和較高的計算要求，訓(xùn)練時間較長，需要更多的計算資源；這對于一些資源有限的環(huán)境可能是一個問題，通過對yolov7網(wǎng)絡(luò)模型的結(jié)構(gòu)改進(jìn)，可有效解決這一問題。

3、因此，本發(fā)明提供了一種基于kdh-yolov7的鋼材缺陷檢測方法。

技術(shù)實現(xiàn)思路

1、本發(fā)明一種基于kdh-yolov7的鋼材缺陷檢測方法，通過采用k-means++聚類算法對數(shù)據(jù)集進(jìn)行處理，可提升檢測精度；通過p-elan結(jié)構(gòu)降低了計算成本；通過構(gòu)造n-ciou損失函數(shù)，提高模型檢測性能；通過添加融合尺度注意力、空間注意力、任務(wù)注意力的dyhead結(jié)構(gòu)，對yolov7網(wǎng)絡(luò)模型改進(jìn)后生成kdh-yolov7網(wǎng)絡(luò)模型，通過kdh-yolov7網(wǎng)絡(luò)模型可以顯著提升模型的目標(biāo)檢測頭的表達(dá)能力。

2、本發(fā)明提供了一種基于kdh-yolov7的鋼材缺陷檢測方法，包括：

3、對獲取的neu-det鋼材檢測數(shù)據(jù)集進(jìn)行處理，得到待用鋼材檢測數(shù)據(jù)集；

4、利用k-means++算法對neu-det鋼材檢測數(shù)據(jù)集進(jìn)行聚類處理，獲得目標(biāo)鋼材檢測數(shù)據(jù)集；

5、對獲取的yolov7網(wǎng)絡(luò)模型，進(jìn)行網(wǎng)絡(luò)頭部部分改進(jìn)、損失函數(shù)優(yōu)化以及模型輕量化處理，并基于待用鋼材檢測數(shù)據(jù)集進(jìn)行訓(xùn)練評估，獲得改進(jìn)yolov7網(wǎng)絡(luò)模型；

6、利用改進(jìn)yolov7網(wǎng)絡(luò)模型，基于目標(biāo)鋼材檢測數(shù)據(jù)集進(jìn)行缺陷檢測。

7、進(jìn)一步地，對獲取的neu-det鋼材檢測數(shù)據(jù)集進(jìn)行處理，得到待用鋼材檢測數(shù)據(jù)集，包括：

8、按照8：1：1的劃分比例對獲取的neu-det鋼材檢測數(shù)據(jù)集進(jìn)行比例劃分，得到訓(xùn)練子數(shù)據(jù)集、驗證子數(shù)據(jù)集和測試子數(shù)據(jù)集，并匯總生成待用鋼材檢測數(shù)據(jù)集。

9、進(jìn)一步地，利用k-means++算法對neu-det鋼材檢測數(shù)據(jù)集進(jìn)行聚類處理，獲得目標(biāo)鋼材檢測數(shù)據(jù)集，包括：

10、利用k-means++聚類算法在neu-det鋼材檢測數(shù)據(jù)集中定位一個基本簇中心以及若干個可用簇中心，根據(jù)如下公式計算每一個可用簇中心的選取概率；

11、

12、其中，p(xi)表示第i個可用簇中心的選取概率，d(xi)表示第i個可用簇中心與基本簇中心之間的最短距離，a表示neu-det鋼材檢測數(shù)據(jù)集；

13、根據(jù)每一個可用簇中心的選取概率，篩選符合預(yù)設(shè)選取概率標(biāo)準(zhǔn)的目標(biāo)簇中心；

14、根據(jù)目標(biāo)簇中心，將neu-det鋼材檢測數(shù)據(jù)集劃分為若干個數(shù)據(jù)簇，根據(jù)數(shù)據(jù)簇繪制鋼材輪廓，并將鋼材輪廓映射后，得到目標(biāo)鋼材檢測數(shù)據(jù)集。

15、進(jìn)一步地，對獲取的yolov7網(wǎng)絡(luò)模型，進(jìn)行網(wǎng)絡(luò)頭部部分改進(jìn)、損失函數(shù)優(yōu)化以及模型輕量化處理，包括：進(jìn)行網(wǎng)絡(luò)頭部部分改進(jìn)，具體為：

16、在yolov7網(wǎng)絡(luò)模型head層引入動態(tài)頭部框架，動態(tài)頭部框架將注意力函數(shù)轉(zhuǎn)換為尺度感知注意力、空間感知注意力和任務(wù)感知注意力三個連續(xù)的注意力，以使每個注意力只關(guān)注一個視角，如下公式所示:

17、w(f)＝πc(πs(πl(wèi)(f)·f)·f)·f

18、其中f∈rl×s×c表示三維度的特征張量，πl(wèi)()表示尺度感知注意力、πs()表示空間感知注意力、πc()表示任務(wù)感知注意力；

19、使用dcnv3替換動態(tài)頭部框架中的dcnv2進(jìn)行卷積操作。

20、進(jìn)一步地，尺度感知注意力基于語義融合不同特征，空間感知注意力專注不同空間位置的判別能力，任務(wù)感知注意力將學(xué)習(xí)與目標(biāo)表示的泛化相結(jié)合；尺度感知注意力、空間感知注意力和任務(wù)感知注意力用于與目標(biāo)檢測頭結(jié)合，以對圖像檢測任務(wù)進(jìn)行預(yù)測。

21、進(jìn)一步地，對獲取的yolov7網(wǎng)絡(luò)模型，進(jìn)行網(wǎng)絡(luò)頭部部分改進(jìn)、損失函數(shù)優(yōu)化以及模型輕量化處理，包括：進(jìn)行損失函數(shù)優(yōu)化，具體為：

22、基于nwd損失函數(shù)，引入wasserstein距離，對yolov7網(wǎng)絡(luò)模型中的ciou損失函數(shù)進(jìn)行優(yōu)化，獲得n-ciou損失函數(shù)，其表達(dá)式為：

23、

24、lnwd＝1-nwd(na,nb)

25、ln-ciou＝(1-ε)*lnwd+ε*lciou

26、其中，w22(na，nb)為wasserstein距離度量，c是根據(jù)不同數(shù)據(jù)集進(jìn)行調(diào)整的常數(shù)，lnwd表示nwd損失函數(shù)，ln-ciou表示n-ciou損失函數(shù)，lciou表示ciou損失函數(shù)，na，nb為邊界框建模的高斯分布，exp表示以自然常數(shù)e為底的指數(shù)函數(shù)，ε為權(quán)重因子，用來控制兩類損失函數(shù)優(yōu)化占比，值為0.5。

27、進(jìn)一步地，對獲取的yolov7網(wǎng)絡(luò)模型，進(jìn)行網(wǎng)絡(luò)頭部部分改進(jìn)、損失函數(shù)優(yōu)化以及模型輕量化處理，包括：進(jìn)行模型輕量化處理，具體為：

28、基于pconv卷積構(gòu)造輕量化的p-elan結(jié)構(gòu)，替換yolov7網(wǎng)絡(luò)模型中的backbone層的卷積結(jié)構(gòu)。

29、進(jìn)一步地，并基于待用鋼材檢測數(shù)據(jù)集進(jìn)行訓(xùn)練評估，包括：

30、利用訓(xùn)練子數(shù)據(jù)集和驗證子數(shù)據(jù)集，進(jìn)行模型的學(xué)習(xí)訓(xùn)練；

31、利用測試子數(shù)據(jù)集，進(jìn)行模型性能的評估。

32、進(jìn)一步地，利用改進(jìn)yolov7網(wǎng)絡(luò)模型，基于目標(biāo)鋼材檢測數(shù)據(jù)集進(jìn)行缺陷檢測，包括：

33、將目標(biāo)鋼材檢測數(shù)據(jù)集中的數(shù)據(jù)輸入到改進(jìn)yolov7網(wǎng)絡(luò)模型的backbone層；

34、通過p-elan結(jié)構(gòu)以及backbone層的其他模塊提取特征；

35、將提取的特征在head層輸出三層不同大小的feature?map；

36、對feature?map，利用重參數(shù)卷積和動態(tài)頭部框架，進(jìn)行分類、前后背景分類和邊框的任務(wù)預(yù)測，獲得缺陷檢測結(jié)果。

37、進(jìn)一步地，利用改進(jìn)yolov7網(wǎng)絡(luò)模型，基于目標(biāo)鋼材檢測數(shù)據(jù)集進(jìn)行缺陷檢測，還包括根據(jù)歷史缺陷檢測結(jié)果，設(shè)置每一個缺陷種類檢測占鋼材總體缺陷檢測結(jié)果的權(quán)重值，并根據(jù)權(quán)重值完善缺陷檢測結(jié)果，具體步驟為：

38、獲取歷史缺陷檢測結(jié)果，根據(jù)歷史缺陷檢測結(jié)果結(jié)合目標(biāo)鋼材檢測數(shù)據(jù)集進(jìn)行結(jié)合分析；

39、若目標(biāo)鋼材檢測數(shù)據(jù)集的缺陷類型為單一缺陷或小于設(shè)定數(shù)量閾值的組合缺陷，根據(jù)相對應(yīng)的歷史缺陷檢測結(jié)果，分析獲得第一缺陷檢測精確度；

40、若目標(biāo)鋼材檢測數(shù)據(jù)集的缺陷類型為大于設(shè)定數(shù)量閾值的組合缺陷，根據(jù)相對應(yīng)的歷史缺陷檢測結(jié)果，分析獲得第二缺陷檢測精確度；

41、獲取缺陷類型的缺陷種類，并根據(jù)第一缺陷檢測精確度和第二缺陷檢測精確度，獲得多個對應(yīng)于每一個缺陷種類的單一缺陷檢測精確度，以及每一個缺陷種類與其它所有缺陷種類組合的多個組合缺陷檢測精確度；

42、基于單一缺陷檢測精確度和多個組合缺陷檢測精確度累加后求平均值，獲得每一個缺陷種類的平均缺陷檢測精確度；

43、基于每一個缺陷種類的平均缺陷檢測精確度的大小，設(shè)置相對應(yīng)的每一個缺陷種類在缺陷檢測結(jié)果中的權(quán)重值；

44、將權(quán)重值應(yīng)用于缺陷檢測結(jié)果中的每一個缺陷種類的檢測精確度的計算。

45、上述技術(shù)方案的可實現(xiàn)的有益效果為：通過采用k-means++聚類算法對數(shù)據(jù)集進(jìn)行處理，可提升檢測精度；通過p-elan結(jié)構(gòu)降低了計算成本；通過構(gòu)造n-ciou損失函數(shù)，提高模型檢測性能；通過添加融合尺度注意力、空間注意力、任務(wù)注意力的dyhead結(jié)構(gòu)，對yolov7網(wǎng)絡(luò)模型改進(jìn)后生成kdh-yolov7網(wǎng)絡(luò)模型，通過kdh-yolov7網(wǎng)絡(luò)模型可以顯著提升模型的目標(biāo)檢測頭的表達(dá)能力。

46、本發(fā)明的其它特征和優(yōu)點將在隨后的說明書中闡述，并且，部分地從說明書中變得顯而易見，或者通過實施本發(fā)明而了解。本發(fā)明的目的和其他優(yōu)點可通過在所寫的說明書以及附圖中所特別指出的結(jié)構(gòu)來實現(xiàn)和獲得。

47、下面通過附圖和實施例，對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)描述。