[发明专利]一种基于改进YOLOX模型的压铸制品缺陷检测方法

说明书

本发明公开了一种基于改进YOLOX模型的压铸制品缺陷检测方法，包括以下步骤，使用改进YOLOX模型建立压铸制品缺陷的识别模型；采用ECA注意力机制代替原ShuffleNetV2‑plus中的SE注意力机制，采用ShuffleNetV2‑plus结构代替主干网络Darknet53来提高缺陷检测能力，建立最终的检测模型；对模型进行预训练后，再进行压铸制品缺陷数据集的训练，将最终训练出的检测模型对压铸制品缺陷的数据集进行检测，并得到检测结果。本发明解决压铸制品缺陷检测中缺陷难以准确检测的问题，提高了压铸制品缺陷识别的整体平均准确度。

技术领域

本发明涉及压铸制品缺陷检测领域，应用在压铸制品生产过程中，具体为一种基于改进YOLOX模型的压铸制品缺陷检测方法。

背景技术

金属压铸制品应用广，生产数量大，产品种类多，在工业界有着至关重要的地位。压铸制品有着优良特性，被广泛应用于汽车、航空航天、内燃机等众多零部件领域。面对着我国巨大的市场，压铸制品的应用也有着广泛的前景与需求，如何打造自动化、智能化和绿色化的压铸生产车间，是新时代提出的更高要求。

在压铸制品的生产过程中，由于对工艺控制的不当或因模具等原因，压铸制品有可能会产生缺陷，需要人工去识别筛选，以保证产品质量。由于压铸车间温度较高、噪声较大，以及高强度的工作压力对检测人员的身体与精神会产生不小的影响，且人工识别筛选效率低、准确度低，从而阻碍了压铸制品生产的自动化、智能化与绿色化的进程，因此，如何改善上述压铸制品缺陷的自动检测与效率问题至关重要。

基于深度学习的铸件缺陷检测方法研究对能够识别缺陷同时也能进行语义分割的YOLACT算法进行了改进(基于深度学习的铸件缺陷检测方法研究_彭磊)，其实验中有67种子缺陷，有2727张缺陷图，缺陷识别率从初始的62.0％提升至65.8％，同时对检测速率做了一定优化。Mery等通过三维椭球模型与GAN模型对两种铝压铸制品缺陷集进行生成，该缺陷集由大量正常制品与少量有缺陷制品组成，结果显示，三维椭球模型比GAN模型更加有效，mAP达到了71.02％，该研究存在压铸件缺陷种类较少且识别准确率不高的现象。目前，对于压铸制品缺陷视觉检测的研究还存在一些尚待解决的问题，如：对实际生产的压铸制品的缺陷种类识别不够，从而不能反应真实生产情况；或模型识别缺陷的种类虽多，但平均准确率不高等。

发明内容

为解决上述问题，本发明开发了一种基于改进的YOLOX模型，对YOLOX模型进行改进，以提高YOLOX模型在实际生产中的有效作用。本发明在基础的ShuffleNetV2-plus-YOLOX模型上，降低了原注意力机制对通道特征的损失，进而更好地提高了对压铸制品缺陷图片中的小目标缺陷的识别，从而提升了整体的检测识别效果。根据几何变换与图像处理原理，本发明对数据集进行扩充、自动生成数据标注的程序模块，从而节省了数据集的收集成本，加速了模型训练的自动化进程。本发明主要针对压铸制品的水纹、起泡、缩孔、变色、机械拉伤、变形、裂痕、飞边、多肉以及粘膜拉伤等缺陷进行识别检测。

本发明至少通过如下技术方案之一实现。

一种基于改进YOLOX模型的压铸制品缺陷检测方法，包括如下步骤：

采集压铸制品的图片数据，对图片数据进行预处理；

构建压铸制品缺陷检测模型，所述压铸制品缺陷检测模型采用ShuffleNetV2-plus结构作为主干网络，以提高缺陷检测能力，并采用ECA注意力机制，以减少降维通道的信息损失问题；

对压铸制品缺陷检测模型进行训练和并用压铸制品缺陷检测模型进行检测，以mAP与同一台计算机上的FPS作为最终评价结果；

使用训练好的压铸制品缺陷检测模型检测压铸制品缺陷并分类。

进一步地，所述预处理包括如下步骤：

步骤S1、将图片数据划分为训练集、验证集和测试集；