[发明专利]一种基于改进YOLOv3模型的实时钢管缺陷检测方法

说明书

一种基于改进YOLOv3模型的实时钢管缺陷检测方法，包括以下步骤：(1)搭建稳定的封闭图像采集环境，采集不同角度的图像；(2)提取图像中钢管位置信息，分离钢管图像；(3)拼接钢管各角度图像，手动标注所需特征；(4)利用尺度聚类思想改进YOLOv3网络，用拼接后的图像训练神经网络；(5)将训练完毕的神经网络做检验，并标注出现缺陷位置。本发明提供了一种基于改进YOLOv3模型的实时钢管缺陷检测方法，具有更好的检测效果。

技术领域

本方法涉及机器视觉技术应用领域，尤其涉及基于改进后的YOLOv3(yolo(version3))网络模型的钢管表面缺陷检测方法。

背景技术

在我国，钢材(Steel)在国家建设和实现四化的任务中扮演着无比重要的作用，它的应用领域十分广，衍生物品繁多。具体地，钢材按照裁切断面不同可分为型材、板材、管材和金属制品这4大类别。其中管材的主要应用为无缝管与焊接管。它作为一类工业生产的基础性原料，广泛的应用于机械工具、家用电器、交通运输、航空航天、化工冶金等领域。在钢材的制作、存储、运输、使用的过程中，受工艺精度、工作环境的影响，钢管表面常会出现弯曲、划痕、裂痕、凹痕等缺陷，下面统称外表面缺陷。这类外表面缺陷具有几何形状不规则、尺寸大小不一等特点。这类外表面缺陷直接影响钢管的价值，在影响钢管使用效果的同时，还存在严重的经济损失隐患。

如今工业十分重视外表面缺陷检测工作。检测工作从上世纪开始就有一定历史，当时工业上采用人工肉眼分辨的方式挑选带有缺陷的钢管，该类方法的缺陷主要是主观性大、人工成本巨大、效率低，准确性无法保证。后来工业上利用人工提取特征、人工制定规则等方式提出一些符合工业要求的检测算法，并结合工业相机、超声波等技术与物理学相关理论知识，检测结果精度有所保障、效率较高的方法，具有代表性的如涡流检测方法、检测方法等红外。这类方法对设备精度要求高、环境严格，故工业生产所需的总成本仍高居不下，且这类硬件设备更新的成本较高。

经过近几年的发展，深度学习在机器视觉领域发展迅速，且大量方法在工程应用领域得到较好的结果。目前主流的机器视觉技术在钢材缺陷表面应用主要分为两步：(1)利用工业相机采集钢材的图像，并将图像做进一步预处理；(2)选择合适的分类器提取图像特征并分类。但这类方案仍存在很多不足。首先，(1)部分采集到原图后，为方便分类器处理，大部分方法预处理时需要将钢管的不同区域分多次送入分类器处理，重复计算与复杂流程对计算资源造成了不必要的浪费；且实际环境中同一块钢材上的缺陷存在不连续、缺陷尺度变化大等特点，导致目前算法检测精度不能达到理想效果。另外，(2)部分得到图像后，由于不同角度得到的图像的光源情况不同，目前算法在分离研究区域与背景这一块仍存在较大困难；且训练得到的分类器常面临缺陷、非缺陷区域对比度低、检测速度慢、识别精度低等问题，距实现精准的、实时处理的工业应用目标有一定的差距。

发明内容

为了克服已有技术的不足，本发明提供了一种基于改进YOLOv3模型的实时钢管缺陷检测方法，具有更好的检测效果。

本发明解决其技术问题所采用的技术方案是：

一种基于改进YOLOv3模型的实时钢管缺陷检测方法，包括以下步骤：

(1)搭建稳定的封闭图像采集环境，采集不同角度的图像；

(2)提取图像中钢管位置信息，分离钢管图像；

(3)拼接钢管各角度图像，手动标注所需特征；

(4)利用尺度聚类思想改进YOLOv3网络，用拼接后的图像训练神经网络；

(5)将训练完毕的神经网络做检验，并标注出现缺陷位置。