[发明专利]一种工业中钢材氧化带目标检测方法、系统及设备

权利要求书

1.一种工业中钢材氧化带目标检测方法，其特征在于，所述方法包括：

采集不同光照强度下不同钢材类型的氧化带样本图像，进行图像预处理以获得初始氧化带样本数据集；

将所述氧化带样本数据集按预设比例划分为训练集、验证集、测试集；

基于原始YOLOv4-tiny算法改进其网络结构，得到钢材氧化带目标检测算法；

利用训练集对优化后的YOLOv4-tiny网络训练，选取mAP最优的权重文件；

将训练完成的网络集成在检测系统中，检测钢材氧化带图像得到氧化带的位置信息。

2.根据权利要求1所述的方法，其特征在于，采集不同光照强度下不同钢材类型的氧化带样本图像，进行图像预处理以获得初始氧化带样本数据集，包括：

安置工业级高清摄像头在操作台实时拍摄不同光照下、不同类型的钢材氧化带；

对采集的视频读帧生成图片，按序号对图片重命名形成图片唯一ID；

使用标注软件对钢材的氧化带位置进行标注，形成对应的xml文件，形成初始氧化带样本数据集；

对数据集进行数据增强处理，通过随机裁剪、随机翻转、模糊等方式对四张图片进行拼接作为训练数据。

3.根据权利要求2所述的方法，其特征在于，将所述氧化带样本数据集按预设比例划分为训练集、验证集、测试集，包括：

按6:2:2划分训练集、验证集、测试集，所述训练集用于模型训练，所述验证集用于评价模型，所述测试集评估模型的泛化能力；

按VOC格式准备文件夹：JPEGImages存放全部氧化带样本图像；Annotations存放标注图像生成一一对应的xml文件；ImageSets下建立Mian文件夹存放train.txt，val.txt，test.txt。

4.根据权利要求1所述的方法，其特征在于，所述基于原始的YOLOv4-tiny算法的网络结构包括Backbone特征提取网络、Neck特征融合模块和Yolo Head预测模块，其中Backbone特征提取网络为CSPDarknet53-tiny网络结构，输出两个大小为26*26、13*13的特征层；Neck特征融合模块为特征金字塔FPN对上一步输出的两个特征层进行特征融合；Yolo Head预测模块对获得的特征进行回归预测，输出两个特征层的预测结果。

5.根据权利要求4所述的方法，其特征在于，基于原始YOLOv4-tiny算法改进其网络结构，得到钢材氧化带目标检测算法，包括：

在CSPDarknet-tiny网络的最后一个特征层后中加入M-SPP结构，以极小的计算量，利用两个不同尺度的最大池化进行处理；

通过稀疏训练与通道剪枝多阶段迭代式训练的方式，实现模型压缩；

池化后堆叠输出到FPN卷积后进行二倍上采样，与主干网络第二个Resblock_body(26,26,256)特征层进行特征融合；

Yolo Head预测模块对获得的特征进行预测，所述Yolo Head预测模块包括第一分类器和第二分类器，所述第一分类器接收特征融合模块输出大小为13*13的融合特征；所述第二分类器接收特征融合模块输出大小为26*26的融合特征；输出预测结果shape分别为(13,13,N)，(19,19,N)，其中N＝S+Conf+Class,S＝4，代表预测框的位置信息，Conf＝1，代表置信度即类别概率，Class＝类别个数；

根据输出的预测结果进行解码得到预测框位置信息，其中包括预测框左上角坐标(bx,by)和预测框的宽高(bw，bh)。

6.根据权利要求1所述的方法，其特征在于，利用训练集对优化后的YOLOv4-tiny网络训练，选取mAP最优的权重文件，包括：

配置运行环境，Ubuntu系统、CUDA10.2和OpenCV4.1.1，选择基于Darknet框架的YOLOv4-tiny进行训练；

设置模型参数，根据小型嵌入式设备的算力条件调整batch、subdivisions的值，设置输入图片宽高值、学习率、迭代次数、类别数量；

初次训练使用YOLOv4-tiny的官方预训练权重文件，设置训练过程中产生的权重文件每1000轮存储一次。