[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

说明书

本申请公开了一种工业中钢材氧化带目标检测方法、系统及设备，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；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。优化后的网络减少了计算参数，提高了网络提取有效特征的能力，能够减少检测中的误判和漏检。压缩后的模型能够部署在小型嵌入式设备端实现在线检测，提高检测方法对复杂工业环境的鲁棒性，为工业智能制造提供了技术保障。

技术领域

本申请涉及工业智能检测技术领域，具体涉及一种工业中钢材氧化带目标检测方法、系统及设备。

背景技术

钢材氧化带是焊接过程中形成的钢材表面缺陷，极易造成气孔、夹渣和裂纹。为保证工件质量，需要在工业生产过程对存在钢材氧化带位置进行标注。传统技术往往采用人工标注的方式，存在诸多问题：人工标注的位置不严谨造成误检率高；钢材工件体积大，人工不易操作；工业生产场地极具危险性可能引起操作事故等等。从而，人工质检的方式大大降低工件质量和生产效率，造成生产成本的流失。

在工业智能制造的热潮中，将基于深度学习的目标检测方法与小型嵌入式设备结合，实现其在钢材生产线上的应用。目标检测方法具有较高的检测速度和精度，不仅解决人工质检带来的问题，还能适应复杂的工业场景，满足生产实时性要求。随着基于深度学习的目标检测方法不断发展，检测精度与网络结构复杂度成正比增长，运行环境对硬件性能的要求越来越高。小型嵌入式设备的算力不及大型服务器，为实现目标检测方法在小型嵌入式设备上的部署，需要选择轻量级目标检测方法。

轻量级目标检测方法参数少模型小，虽然适应硬件的低算力条件，但随着网络的简化降低了检测精度。为满足钢材生产企业的检测需求，必须保证检测算法同时兼顾准确性和实时性。因此，在提高钢材氧化带的检测速度时，缩减模型大小和保证高检测精度成为亟待解决的技术问题。

发明内容

本申请为了解决上述技术问题，提出了如下技术方案：

第一方面，本申请实施例提供了一种工业中钢材氧化带目标检测方法，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，重置属于钢材氧化带先验框，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。

采用上述实现方式，对基于YOLOv4-tiny轻量级网络进行优化，提高提取有效特征的能力，能够减少检测中的误判和漏检。优化后的网络不仅减少了计算参数，还提高了网络提取有效特征的能力，能够减少检测中的误判和漏检。压缩后的模型能够部署在小型嵌入式设备端实现在线检测，提高检测方法对复杂工业环境的鲁棒性，为工业智能制造的发展提供了技术保障。

结合第一方面，在第一方面第一种可能的实现方式中，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。