[发明专利]一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法

说明书

本发明公开了一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法，步骤为：1)利用图像标注工具的矩形框对疏松缺陷数据集进行缺陷标注。2)建立改进YOLOv3网络模型。3)利用疏松缺陷数据训练集对改进YOLOv3网络模型进行训练。4)利用疏松缺陷数据测试集对训练后的改进YOLOv3网络模型进行测试。5)对改进YOLOv3网络模型进行改进。6)获取待检测铸件的DR图像，并输入到改进YOLOv3网络模型中，判断铸件的缺陷等级和位置坐标。本发明提高了目标检测网络对小目标物体的检测效果。

技术领域

本发明涉及工件铸造领域，具体是一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法。

背景技术

铸件DR图像缺陷识别的目的是从铸件射线图像中找出缺陷的位置，然后提取缺陷的各种信息，最终完成缺陷的识别。目前，针对铸件缺陷识别的技术方法主要有三种途径：1)基于图像处理的直接检测；2)基于缺陷定位和跟踪的传统机器学习模型检测；3)基于Faster Rcnn等基于深度学习框架的铸件DR图像缺陷的检测。

以上方法存在的问题：方法1)中基本是对图像进行全局处理，影响了缺陷局部区域的效果，并且不容易区分待检测物体的类型，由于图像中的特征数量较大，缺陷识别也容易受到噪音的干扰。方法2)中目前采用的是传统的机器学习网络模型(贝叶斯分类器、支持向量机)或浅层神经网络模型来实现基于DR图像缺陷检测，针对具有复杂特征的铸件DR图像缺陷检测的识别准确率相较于深度学习框架而言不高。方法3)的网络模型在保证识别准确率的同时实现不了实时性检测，这对于实际生产需要至关重要。

发明内容

本发明的目的是提供一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法，主要包括以下步骤：

1)获取若干铸件的DR疏松缺陷图像。

所述铸件为铁路列车转向架的铸钢摇枕或侧架。

2)对所述DR疏松缺陷图像进行预处理，并构建疏松缺陷数据集。

对DR原始缺陷图像进行预处理的主要步骤如下：

2.1)将DR原始缺陷图像统一划分为N×N尺寸的缺陷图像。

2.2)对缺陷图像进行数据增强。所述数据增强方法包括图像翻转、图像旋转和镜像。

3)对所述疏松缺陷数据集进行预处理，增强疏松缺陷数据集的灰度值。

对疏松缺陷数据集进行预处理的方法为：导向滤波器增强算法。

4)利用图像标注工具的矩形框对疏松缺陷数据集进行标注，获取每个矩形框所对应缺陷等级、矩形框中心点坐标(X，Y)、矩形框宽度W和矩形框高度H。将标注后的疏松缺陷数据集随机划分为疏松缺陷数据训练集和疏松缺陷数据测试集。

所述缺陷等级数为5。

5)建立改进YOLOv3网络模型，获取YOLOv3网络模型的原始权重文件，并设置滤波器filter数量、COCO数据集与VOC数据集检测等级标签、迭代次数、学习率和是否采用多尺度训练策略。

6)利用疏松缺陷数据训练集对改进YOLOv3网络模型进行训练。

训练改进YOLOv3网络模型的主要步骤如下：

6.1)将疏松缺陷数据训练集的每幅图像分割为s×s个单元格。

6.2)利用改进YOLOv3网络模型对每个单元格进行特征提取，并生产3种不同尺度的特征图像。

6.3)利用回归器预测出若干候选目标边界框，主要步骤如下：