本發(fā)明屬于圖像處理及深度學(xué)習(xí)，涉及焊道宏觀表面缺陷檢測技術(shù)，尤其涉及一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法。

背景技術(shù)：

1、電弧增材制造（waam)是一種以電弧焊為基礎(chǔ)的金屬增材制造技術(shù)。相較于其他金屬增材制造技術(shù)，具有材料利用率高和制造成本低的優(yōu)勢，在航空航天、汽車制造、造船、軍工等領(lǐng)域具有廣闊的應(yīng)用前景。

2、傳統(tǒng)的電弧增材制造宏觀表面缺陷檢測方法主要包括目視檢測和機(jī)器視覺檢測等方法，由于電弧增材制造件宏觀表面缺陷的數(shù)量、大小以及位置分布均無顯著規(guī)律，這些缺陷的特征在圖像中也有明顯不同，使得傳統(tǒng)方法檢測效率和檢測精度較低，檢測速度較慢，無法滿足實際電弧增材制造宏觀表面缺陷的檢測要求，

3、隨著人工智能的迅速發(fā)展與深度學(xué)習(xí)算法的日益成熟，卷積神經(jīng)網(wǎng)絡(luò)在人臉識別、圖像分類、目標(biāo)檢測等方面具有更加優(yōu)異的性能比。如fasterrcnn，?yolo等網(wǎng)絡(luò)結(jié)構(gòu)被提出后，基于深度學(xué)習(xí)的目標(biāo)檢測方法能夠根據(jù)宏觀表面缺陷圖片自動學(xué)習(xí)出缺陷的特征，簡化了傳統(tǒng)方法中前期需要大量人工預(yù)處理的工作，深度神經(jīng)網(wǎng)絡(luò)具有很強(qiáng)的學(xué)習(xí)能力、很好的泛化能力和魯棒性，它的這些特點(diǎn)提高了電弧增材制造宏觀表面缺陷檢測的效率和準(zhǔn)確率。

4、目前在圖像處理及深度學(xué)習(xí)技術(shù)領(lǐng)域，有基于rcnn、ssd、yolo等檢測方法，其中yolo的應(yīng)用最為廣泛，可以高效檢測宏觀表面缺陷。

技術(shù)實現(xiàn)思路

1、為解決上述問題，本發(fā)明提供了一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，對yolov8模型進(jìn)行優(yōu)化改進(jìn)，在用于檢測電弧增材制造宏觀表面缺陷上的缺陷時，可提高它的檢測精度；同時與原始yolov8模型相比，顯著減少了模型的參數(shù)數(shù)量和flops值，模型的準(zhǔn)確率達(dá)到了83.2%，適合部署到資源有限的嵌入式設(shè)備中；能有效的解決上述問題。

2、為了實現(xiàn)上述的技術(shù)特征，本發(fā)明的目的是這樣實現(xiàn)的：一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，包括以下步驟：

3、步驟1，獲取焊道表面缺陷的圖片，制作焊道缺陷數(shù)據(jù)集；

4、步驟2，根據(jù)所述的焊道缺陷數(shù)據(jù)集，建立焊道宏觀表面缺陷標(biāo)注數(shù)據(jù)集，對焊道宏觀表面缺陷標(biāo)注數(shù)據(jù)集按設(shè)定比例分為訓(xùn)練集、驗證集和測試集；

5、步驟3，構(gòu)建基于改進(jìn)yolov8的神經(jīng)網(wǎng)絡(luò)模型；

6、步驟4，對改進(jìn)yolov8模型進(jìn)行訓(xùn)練，使用訓(xùn)練集和驗證集對焊道表面缺陷檢測模型進(jìn)行訓(xùn)練，得到最優(yōu)焊道表面缺陷檢測模型；

7、步驟5，將測試集輸入最優(yōu)焊道表面缺陷檢測模型中，輸出測試結(jié)果。

8、優(yōu)選的，所述步驟3中，改進(jìn)yolov8的神經(jīng)網(wǎng)絡(luò)模型具體操作步驟包括：在yolov8網(wǎng)絡(luò)結(jié)構(gòu)中采用nwd?損失函數(shù)替代原本的ciou損失函數(shù)；引入dcnv3?卷積優(yōu)化主干網(wǎng)絡(luò)中的c2f?模塊；在頸部網(wǎng)絡(luò)neck層將原有conv層替換為gsconv模塊，并通過整合gsbottleneck和vov-gscsp模塊得到slim-neck頸部網(wǎng)絡(luò)。

9、優(yōu)選的，所述步驟3中，改進(jìn)yolov8的神經(jīng)網(wǎng)絡(luò)模型的具體流程為：用歸一化高斯距離損失函數(shù)替代原本的ciou損失函數(shù)；用c2f-dcnv3替代原本主干網(wǎng)絡(luò)的c2f模塊；在頸部網(wǎng)絡(luò)中用gsconv模塊替代其中的conv模塊，并整合gsbottleneck和vov-gscsp模塊。

10、優(yōu)選的，主干網(wǎng)絡(luò)由cbsmodule模塊、c2f模塊、c2f-dcnv3模塊和sppf模塊構(gòu)成；

11、yolov8中的c2f被c2f-dcnv3模塊取代，進(jìn)而實現(xiàn)神經(jīng)元之間權(quán)重的共享。

12、優(yōu)選的，所述nwd損失函數(shù)在目標(biāo)檢測方面具有尺度不變性、位置偏差平滑性以及能夠測量重疊或相互包容的邊界框之間的相似性；采用二維的高斯分布建模；從而將兩個邊界框的相似度轉(zhuǎn)化為兩個高斯分布的距離分布。

13、優(yōu)選的，所述slim-neck網(wǎng)絡(luò)是在原頸部網(wǎng)絡(luò)的基礎(chǔ)上對neck進(jìn)行改進(jìn)，slim-neck由vov-gscsp模塊、gsconv模塊和gsbottleneck模塊分別堆疊組成。

14、優(yōu)選的，所述gsconv模塊由gc卷積、sc卷積、shuffle層構(gòu)成，對輸入圖像進(jìn)行特征提取。

15、優(yōu)選的，步驟2中建立焊道宏觀表面缺陷標(biāo)注數(shù)據(jù)集的具體操作步驟為：采用實驗室電弧增材設(shè)備制作焊道宏觀表面缺陷樣本，對焊道宏觀缺陷圖片使用labelimg工具軟件進(jìn)行人工標(biāo)注，將缺陷類別分為weld、surface?proes、spatter、overlap；同時標(biāo)明每個圖片中缺陷的類別和位置，并以yolov8的數(shù)據(jù)格式進(jìn)行存儲，再將標(biāo)注好的焊道宏觀表面缺陷數(shù)據(jù)集按照7：2：1的比例隨機(jī)劃分為訓(xùn)練集、驗證集和測試集；訓(xùn)練集作為模型的訓(xùn)練，驗證集作為模型的驗證，測試集作為模型的測試；并采用了馬賽克數(shù)據(jù)增強(qiáng)方法：裁剪、翻轉(zhuǎn)、噪聲添加和高斯模糊，來減輕過擬合、提高模型精度。

16、優(yōu)選的，步驟4對改進(jìn)yolov8模型進(jìn)行訓(xùn)練，具體步驟包括：將焊道宏觀表面缺陷數(shù)據(jù)集按照7：2：1的比例劃分為訓(xùn)練集、測試集和驗證集，實驗硬件配置使用?intel（r）core（tm）i5-12490f?3.00ghz處理器、nvidia?geforce?rtx?3060顯存gpu，操作系統(tǒng)為windows?10，開發(fā)平臺使用pycharm，編輯語言為python，深度學(xué)習(xí)框架為pytorch，gpu加速庫為cuda11.7；集成開發(fā)環(huán)境為anaconda2023，python3.8，cuda11.7，cudnn8.5.0；本實驗訓(xùn)練參數(shù)設(shè)置：batch_size設(shè)置為16，epoch設(shè)置為300，img?size設(shè)置為640?×640，初始學(xué)習(xí)率0.01，采用sdg函數(shù)優(yōu)化，動量因子0.937，權(quán)重衰減系數(shù)0.0005。

17、優(yōu)選的，所述步驟5中，加載改進(jìn)的yolov8模型進(jìn)行檢測處理，輸出檢測結(jié)果。

18、本發(fā)明有如下有益效果：

19、1、本發(fā)明通過在yolov8的基礎(chǔ)上，使用c2f-dcnv3網(wǎng)絡(luò)重構(gòu)yolov8的主干網(wǎng)絡(luò)，利用nwd損失函數(shù)替代ciou損失函數(shù)，為了減少模型的計算量與參數(shù)量，整合gsbottleneck模塊、vov-gscsp模塊到neck網(wǎng)絡(luò)中，取代conv模塊，利用改進(jìn)gsconv模塊，降低計算成本，優(yōu)化網(wǎng)絡(luò)的計算效率和結(jié)構(gòu)復(fù)雜性，提高特征提取能力，減少模型的體積，改進(jìn)后的整個網(wǎng)絡(luò)稱為nds-yolov8。本發(fā)明模型在檢測精度和速度具有良好的性能。

20、2、本發(fā)明可以在短時間內(nèi)完成宏觀表面缺陷的檢測，基本滿足實時要求，具有較高的性能。

21、3、本發(fā)明能夠根據(jù)電弧增材制造檢測需求，應(yīng)用于多種場合。

技術(shù)特征：

1.一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，包括以下步驟：

2.根據(jù)權(quán)利要求1所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，所述步驟3中，改進(jìn)yolov8的神經(jīng)網(wǎng)絡(luò)模型具體操作步驟包括：在yolov8網(wǎng)絡(luò)結(jié)構(gòu)中采用nwd?損失函數(shù)替代原本的ciou損失函數(shù)；引入dcnv3?卷積優(yōu)化主干網(wǎng)絡(luò)中的c2f?模塊；在頸部網(wǎng)絡(luò)neck層將原有conv層替換為gsconv模塊，并通過整合gsbottleneck和vov-gscsp模塊得到slim-neck頸部網(wǎng)絡(luò)。

3.根據(jù)權(quán)利要求2所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，所述步驟3中，改進(jìn)yolov8的神經(jīng)網(wǎng)絡(luò)模型的具體流程為：用歸一化高斯距離損失函數(shù)替代原本的ciou損失函數(shù)；用c2f-dcnv3替代原本主干網(wǎng)絡(luò)的c2f模塊；在頸部網(wǎng)絡(luò)中用gsconv模塊替代其中的conv模塊，并整合gsbottleneck和vov-gscsp模塊。

4.根據(jù)權(quán)利要求3所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，主干網(wǎng)絡(luò)由cbsmodule模塊、c2f模塊、c2f-dcnv3模塊和sppf模塊構(gòu)成；

5.根據(jù)權(quán)利要求4所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，所述nwd損失函數(shù)在目標(biāo)檢測方面具有尺度不變性、位置偏差平滑性以及能夠測量重疊或相互包容的邊界框之間的相似性；采用二維的高斯分布建模；從而將兩個邊界框的相似度轉(zhuǎn)化為兩個高斯分布的距離分布。

6.根據(jù)權(quán)利要求5所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，所述slim-neck網(wǎng)絡(luò)是在原頸部網(wǎng)絡(luò)的基礎(chǔ)上對neck進(jìn)行改進(jìn)，slim-neck由vov-gscsp模塊、gsconv模塊和gsbottleneck模塊分別堆疊組成。

7.根據(jù)權(quán)利要求6所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，所述gsconv模塊由gc卷積、sc卷積、shuffle層構(gòu)成，對輸入圖像進(jìn)行特征提取。

8.根據(jù)權(quán)利要求7所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，步驟2中建立焊道宏觀表面缺陷標(biāo)注數(shù)據(jù)集的具體操作步驟為：采用實驗室電弧增材設(shè)備制作焊道宏觀表面缺陷樣本，對焊道宏觀缺陷圖片使用labelimg工具軟件進(jìn)行人工標(biāo)注，將缺陷類別分為weld、surface?proes、spatter、overlap；同時標(biāo)明每個圖片中缺陷的類別和位置，并以yolov8的數(shù)據(jù)格式進(jìn)行存儲，再將標(biāo)注好的焊道宏觀表面缺陷數(shù)據(jù)集按照7：2：1的比例隨機(jī)劃分為訓(xùn)練集、驗證集和測試集；訓(xùn)練集作為模型的訓(xùn)練，驗證集作為模型的驗證，測試集作為模型的測試；并采用了馬賽克數(shù)據(jù)增強(qiáng)方法：裁剪、翻轉(zhuǎn)、噪聲添加和高斯模糊，來減輕過擬合、提高模型精度。

9.根據(jù)權(quán)利要求8所述的一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，步驟4對改進(jìn)yolov8模型進(jìn)行訓(xùn)練，具體步驟包括：將焊道宏觀表面缺陷數(shù)據(jù)集按照7：2：1的比例劃分為訓(xùn)練集、測試集和驗證集，實驗硬件配置使用?intel（r）core（tm）i5-12490f?3.00ghz處理器、nvidia?geforce?rtx?3060顯存gpu，操作系統(tǒng)為windows10，開發(fā)平臺使用pycharm，編輯語言為python，深度學(xué)習(xí)框架為pytorch，gpu加速庫為cuda11.7；集成開發(fā)環(huán)境為anaconda2023，python3.8，cuda11.7，cudnn8.5.0；本實驗訓(xùn)練參數(shù)設(shè)置：batch_size設(shè)置為16，epoch設(shè)置為300，img?size設(shè)置為640?×640，初始學(xué)習(xí)率0.01，采用sdg函數(shù)優(yōu)化，動量因子0.937，權(quán)重衰減系數(shù)0.0005。

10.根據(jù)權(quán)利要求9所述一種基于yolov8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，其特征在于，所述步驟5中，加載改進(jìn)的yolov8模型進(jìn)行檢測處理，輸出檢測結(jié)果。

技術(shù)總結(jié)
本發(fā)明提供了一種基于YOLOv8改進(jìn)的電弧增材制造宏觀表面缺陷檢測方法，步驟1，獲取焊道表面缺陷的圖片，制作焊道缺陷數(shù)據(jù)集；步驟2，對焊道表面缺陷圖像數(shù)據(jù)集按設(shè)定比例分為訓(xùn)練集、驗證集和測試集；步驟3，構(gòu)建基于改進(jìn)YOLOv8的神經(jīng)網(wǎng)絡(luò)模型；步驟4，使用訓(xùn)練集和驗證集對上述焊道表面缺陷檢測模型進(jìn)行訓(xùn)練,得到最優(yōu)焊道表面缺陷檢測模型；步驟5，將測試集輸入最優(yōu)的焊道表面缺陷檢測模型中，輸出測試結(jié)果。本發(fā)明基于改進(jìn)YOLOv8模型對焊道宏觀表面缺陷進(jìn)行自動檢測，大幅度提升了焊道宏觀表面缺陷檢測的準(zhǔn)確性及精度。

技術(shù)研發(fā)人員：周祥曼,黃運(yùn)力,鄭事成,柏興旺,付君健
受保護(hù)的技術(shù)使用者：三峽大學(xué)
技術(shù)研發(fā)日：
技術(shù)公布日：2024/12/10