[发明专利]一种基于深度学习的锻件缺陷检测方法

说明书

本发明公开了一种基于深度学习的锻件缺陷检测方法，先建立用于检测锻件缺陷的YOLOv4算法模型，再对YOLOv4算法模型进行训练，然后采用训练后的YOLOv4算法模型对待检测锻件的照片进行缺陷检测；其特征在于，在YOLOv4算法模型的特征提取网络中的残差连接后插入CBAM注意力模块，对特征进行筛选。本发明具有能够鲁棒性较好，能够高效、准确进行缺陷检测等优点。

技术领域

本发明涉及视觉检测技术领域，特别的涉及一种基于深度学习的锻件缺陷检测方法。

背景技术

柴油机是船舶的重要动力来源，柴油机的质量高低直接影响到了船舶的整体性能。对柴 油机加工工件进行缺陷检测是保证产品质量的重要环节，但由于缺陷测定的现场条件和综合 标准较为复杂，许多工位仍然以人工目测为主。以连杆为例，连杆是发动机的核心部件之一， 连接曲轴和活塞，连杆件一般为锻造生产，为防止胀断工序后可能出现的断裂线偏移、面积 缺损等缺陷，需要进行100％的缺陷检测，但其检测标准较为复杂，目前通常是人工目测方式， 效率和准确率较低。若连杆表面缺陷不符合质量标准，将会对发动机带来严重的安全隐患。 因此在其加工制造过程中快速准确的进行缺陷检测，对提高检测精度、保证产品质量和用户 使用安全等方面都具有重要意义和应用价值。

工业中对锻件进行缺陷检测常采用以下三种：传统物理检测、人工目测、基于机器视觉 的检测。传统物理检测方法主要有磁粉探伤、涡流探伤和超声检测等；磁粉探伤检测方式只 适用于缺陷深度较小的工件，只能显出缺陷长度和形状，不能检测出较深的缺陷；涡流探伤 和超声检测对缺陷的显示不直观，对缺陷的定性和定量较为困难，对操作人员要求较高。人 工检测方式很容易受主观性影响，检测精度与效率较低，无法满足日益增长的高质量生产需 求。基于机器视觉的检测由于其检测速度、准确度和稳定的优点，在检测领域得到广泛应 用。机器视觉检测系统主要由软件和硬件两个部分组成，硬件部分主要负责获取高质量的图 像，软件部分负责对图像进行处理与分析检测。视觉检测系统的主要区分在于软件的开发， 常用的比如德国MVTec公司的Halcon和美国康耐视公司的Vision Pro等。这种基于传统图 像处理的检测需要人为设计特征提取器提取缺陷特征，根据不同任务设计不同的特征提取方 式，面对缺陷与非缺陷区域之间对比度低、噪声和缺陷相似性高等问题，局限性较大，无法 广泛应用。由于连杆表面并不平整，还有杂散斑点等干扰因素，缺陷种类、位置、大小也存 在多样性，而传统检测需要人为设计特征方式，对于多样化的缺陷缺乏针对性，鲁棒性较 差。因此，如何高效、准确的进行缺陷检测，直观显示缺陷类型、位置、大小等信息是视觉 检测必须解决的重要问题。

发明内容

针对上述现有技术的不足，本发明所要解决的技术问题是：如何提供一种能够鲁棒性较 好，能够高效、准确进行缺陷检测的基于深度学习的锻件缺陷检测方法。

为了解决上述技术问题，本发明采用了如下的技术方案：

一种基于深度学习的锻件缺陷检测方法，先建立用于检测锻件缺陷的YOLOv4算法模型， 再对YOLOv4算法模型进行训练，然后采用训练后的YOLOv4算法模型对待检测锻件的照片 进行缺陷检测；其特征在于，在YOLOv4算法模型的特征提取网络中的残差连接后插入CBAM 注意力模块，对特征进行筛选。

通过CBAM注意力模块对特征进行筛选，使得残差融合时保留更多有用信息，进而提高 对于锻件缺陷的注意力及定位精度，提升缺陷检测效果。

进一步的，插入CBAM注意力模块后，指定池化后的channel值为CSP层输出的特征图 通道数。

进一步的，所述CBAM注意力模块包括通道注意力模块和空间注意力模块。

对于输入的中间特征图，通过在通道和空间维度上依次推断注意力图，然后将注意力图 与原来的特征图进行一个通道或空间的相乘。