一种基于YOLOv8模型的不锈钢箔侧翻检测方法与流程

一种基于yolov8模型的不锈钢箔侧翻检测方法
技术领域
1.本发明涉及不锈钢带材轧制领域。


背景技术：

2.不锈钢带材是一种具有良好的耐蚀性、耐热性、低温强度和机械特性的金属材料，常用于餐具、橱柜、锅炉、汽车配件、医疗器具、建材、食品工业等领域。不锈钢的轧制变形抗力比较大，且其加工硬化程度也很高，高于普通碳素钢的两倍以上。为了对这种材料进行加工轧制，还要有率、高精度，就一定要用刚性大的轧机。然而，由于对不锈钢带的表面质量要求十分严格，而不锈钢带的表面又很容易产生各种缺陷，因此减少不锈钢带材侧翻缺陷是一个重要的问题。yolov8是一种单阶段目标检测算法，在原有yolov8算法的基础上，对特征提取层和检测层进行改进的方法有很多。在yolov8算法中，通常使用的是darknet53作为特征提取层，它是一个由卷积层和残差块构成的深层网络结构。为了改进特征提取层，引入更深或更宽的网络结构，使用resnet、efficientnet等预训练的深层网络结构来代替darknet53，以获得更好的特征表示能力。在网络末端实施特征金字塔池化操作，通过多尺度的池化操作来提取不同大小物体的特征。这样可以更好地捕捉带钢箔材中的细微差异和几何形状。引入注意力机制来增强特征的关注度，例如senet（squeeze-and-excitation）模块，通过学习通道权重来调整特征的重要性，提高关键信息的表达能力。yolov8算法中的检测层是由多个卷积层和全连接层组成的网络结构，其目标是根据特征图生成边界框和对应类别的预测。在不同层级的特征图中进行预测，以获得多个尺度的目标检测结果。这可以提高对不同大小目标的检测能力。通过增加特征图的分辨率来捕捉更细致的目标信息，提高检测的准确度。这可以通过使用更小的卷积核或引入上采样技术实现。根据带钢箔材的特点，调整原有yolov8算法中的先验框设置，使其更适合带钢箔材侧翻缺陷的检测。这一步需要结合对应的数据集和实际应用场景进行调优。yolov8算法在输入端采用mosaic数据增强、cmbn、sat自对抗训练操作等改进，可以提高算法的检测精度和速度。yolov8算法在特征利用部分采用多尺度特征提取，一共提取三个特征层，分别位于中间层、中下层和底层，三个特征层的shape分别为（19,19,255)、(38,38,255)和(76,76,255)，可以有效地提高算法的检测精度。yolov8算法采用weighted-residual-connections(wrc）、crossmini-batchnormalization(cmbn)、self-adversarial-training(sat)等技术，可以提高卷积神经网络(cnn)的准确性，实现了速度和精度的完美平衡。yolov8算法在精密带钢生产中可以用于检测精密带钢上的各种缺陷，通过对精密带钢进行目标检测，可以及时发现缺陷，提高生产效率和质量。总之，yolov8算法在精密带钢生产中具有广泛的应用前景，可以帮助生产企业提高生产效率和产品质量。在原有yolov8算法的基础上，对特征提取层和检测层进行改进，以提高带钢箔材侧翻缺陷的检测准确度和速度。
3.综上所述，对于改进yolov8算法来提高带钢箔材侧翻缺陷的检测准确度和速度，可以通过改进特征提取层和检测层来增强模型的表达能力和对细节的捕捉能力。这些改进方法可以根据实际需求和数据集的特点进行选择和调整，以获得最佳的检测效果。


技术实现要素：

4.本发明的目的是克服现有技术存在的不足，提供一种可以减少侧翻的供了一种基于改进yolov8算法的精密带钢箔材侧翻缺陷检测方法。
5.本发明所采用的技术方案是：一种基于yolov8模型的不锈钢箔侧翻检测方法，包括如下步骤s1、建立 yolov8 模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；s2、获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；s3、对所述不锈钢箔侧影训练数据集进行k-means值聚类计算，得到新的锚箱值（anchorbox），将新的锚箱值替换为原始yolov8模型中的数据集参数；s4、通过所述不锈钢箔侧向训练数据集训练yolov8模型，并以focalloss损失函数替换原yolov8模型中的二分交叉熵损失函数，得到改进的yolov8模型，利用改进的yolov8模型对所述不锈钢箔图像进行侧向目标检测。
6.步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理包括：对所述不锈钢箔图像进行图像裁剪、缩放、翻转、移位、旋转、亮度调整和拉伸；通过图像分割算法、图像增强算法或图像融合算法将所述不锈钢箔图像与侧翻图像融合，以得到不锈钢箔侧翻训练图像。
7.步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：将每幅所述不锈钢箔图像切分为多幅切片图像，并使每幅切片图像以设定的分辨率显示，以提高小目标侧翻图像的检测精度；采用多线程流程对切片后的图像进行处理，使切片图像以同步方式完成数据处理。
8.步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：建立翻转图像集，通过所述翻转图像集判断所述不锈钢箔图像中是否存在翻转，如果存在，则在不锈钢箔图像中标记边框并获取翻转的边框坐标。
9.步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：根据所述边框坐标计算出所述边框的宽度和高度数据，其中所述边框的高度高于所述边框右下角的横坐标与所述边框左上角的横坐标之差，所述边框的宽度等于所述边框右下角的纵坐标与所述边框左上角的纵坐标之差。
10.步骤s3对所述不锈钢箔侧影训练数据集进行k-means值聚类计算包括，通过对训练数据集中获取的所有所述侧翻的高度值和宽度值进行初始化，随机选取多个高度值和宽度值作为锚箱的初始值；计算每个边框与每个锚框的iou值，生成多个宽度和高度组合的锚框（anchorboxes）；计算每个所述边框相对于每个锚框的误差d(n,k)，通过比较每个所述边框相对于每个锚框的误差大小，选择误差最小的进行分类。
11.注意事项：收集精密带钢的图像数据集，并进行标注。对新的精密带钢图像进行物体检测，识别出精密带钢中的目标物体。根据检测结果进行相应的处理和分析，以提高精密带钢的生产效率和质量。
12.本发明通过利用深度学习和机器视觉技术，实现对带钢箔片侧翻缺陷的高精度、高速度检测，提高生产效率和产品质量。同时，通过实时监控检测和自适应阈值调整，可以及时发现并处理问题，进一步提高生产效率，更好地适应不同的生产环境和状态。这不仅可
以促进制造业的现代化和智能化，也为深度学习和机器视觉在其他领域的应用开辟了新的可能性。
具体实施方式
13.通过算法的输入，包括整个生产过程的图像翻转、补丁，或者图像金字塔来提取零件的图像特征，可以参考训练好的网络；设置特征增强模块，已经提取了一些相关的浅层特征，这部分对数据提取的低层特征进行处理和增强，从而实现对模型学习到的特征进行增强。设置特征增强模块，前一个已经提取了一些相关的浅层特征，这部分对提取的低层特征进行处理和增强，使模型学习到的特征是所需的特征。如果想直接得到 bbox，则可以连接 conv 输出结果。在目标检测中，这意味着使用一些有用的训练技术来训练模型，从而使模型在不增加模型复杂度的情况下达到更好的准确性，这也不会增加推理的计算成本。数据增强的目的是增加训练样本的多样性，从而使检测模型具有很强的鲁棒性。常见的数据增强方法包括两个方面：几何增强和色彩增强。几何增强包括：随机翻转（水平方向多，垂直方向少）、随机裁剪、拉伸和旋转。色彩增强包括：对比度增强、亮度增强，更重要的是 hsv 空间增强。yolov8 的改进不仅增加了上述优化算法，还改进了技术的其他方面。的目标是使用改进后的 yolov8 算法检测带状箔片的翻转缺陷。收集了一个标签数据集，其中包含有正常缺陷和翻转缺陷的带状铝箔图像。首先，对收集到的图像数据进行准备。这通常包括将数据集分为训练集和测试集，并为每张图像标注相应翻转缺陷区域的边界框和类别标签。根据改进的 yolov8 算法架构配置模型。这可能涉及选择适当的特征提取和检测层、调整网络的深度和宽度，以及设置正则化和优化器等超参数。初始化模型的权重，可以使用不同的初始化方法，如随机初始化或使用预训练权重初始化。使用准备好的训练集训练模型。在每次训练迭代中，图像数据都会输入模型，并计算预测结果和相应的损失。然后，根据损失函数和优化算法进行参数更新，使模型逐渐学习带箔侧翻缺陷的特征。使用测试集对训练过程中获得的模型进行验证和评估。这可以通过计算测试集上模型的准确度、精确度、召回率和其他指标来实现。如果模型的表现不尽如人意，可以通过调整模型的架构、超参数或训练策略对其进行改进和优化。完成模型训练和调整后，就可以将模型部署到实际生产环境中。这可能包括保存训练好的模型，并将其集成到实时图像处理系统中，以实现对带状箔片侧射缺陷的检测。下文将结合具体实施实例进一步阐述本发明。需要强调的是，这些示例仅用于说明本发明，并不用于限制本发明的使用范围。
14.此外，在阅读了本发明所教导的内容之后，本领域的技术人员可以对本发明进行各种更改或修改，但这些等效形式同样属于本技术所附加的全力要求所限定的范围之内。针对目前不锈钢箔侧翻检测效率低、精度低的问题，本发明提供了一种基于yolov8模型的不锈钢箔侧翻检测方法，解决了现有不锈钢箔侧翻检测效率低、精度低的问题，能够提高不锈钢箔侧翻检测的精度和效率，提高不锈钢箔的生产质量。
15.一种基于yolov8模型的不锈钢箔侧翻检测方法，包括：s1、建立 yolov8 模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；s2、获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；s3、对所述不锈钢箔侧影训练数据集进行k-means值聚类计算，得到新的锚箱值，
将新的锚箱值替换为原始yolov8模型中的数据集参数。
16.s4、通过所述不锈钢箔侧向训练数据集训练yolov8模型，并以focalloss损失函数替换原yolov8模型中的二分交叉熵损失函数，得到改进的yolov8模型，利用改进的yolov8模型对所述不锈钢箔图像进行侧向目标检测。
17.其中，对不锈钢箔图像和所述侧翻图像的数据处理包括：对所述不锈钢箔图像进行图像裁剪、缩放、翻转、移位、旋转、亮度调整和拉伸；通过图像分割算法、图像增强算法或图像融合算法将所述不锈钢箔图像与侧翻图像融合，以得到不锈钢箔侧翻训练图像。进一步地，所述对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：将每幅所述不锈钢箔图像切分为多幅切片图像，并使每幅切片图像以设定的分辨率显示，以提高小目标侧翻图像的检测精度；采用多线程流程对切片后的图像进行处理，使切片图像以同步方式完成数据处理。在实际应用中，检测过程中使用高分辨率工业相机捕捉不锈钢箔的运动图片，将待检测的图片切割成6张或4张待检测的图片，切割后采用多线程同步处理的方式完成对切割后图片的检测、由于被检测的图片被切割成原图片大小的1/6或1/4，在检测过程中，所有被检测的图片变成后期检测模型的大小，将被检测的图片变成大小为416*416的图片，这样就相当于将原图片放大了6倍或4倍进行检测，增加了对小目标侧光的检测精度。
18.对所述不锈钢箔图像和所述翻转图像的数据处理进一步包括：建立翻转图像集，通过所述翻转图像集判断所述不锈钢箔图像中是否存在翻转，如果存在，则在不锈钢箔图像中标记边框并获取翻转的边框坐标。
19.对所述不锈钢箔图像和所述边框图像的数据处理进一步包括:根据所述边框坐标计算出所述边框的宽度和高度数据，其中所述边框的高度高于所述边框右下角的横坐标与所述边框左上角的横坐标之差，所述边框的宽度等于所述边框右下角的纵坐标与所述边框左上角的纵坐标之差。
20.不锈钢箔侧翻训练数据集进行k-means值聚类计算包括:通过对数据集中获取的所有所述侧翻的高度值和宽度值进行初始化，随机选取多个高度值和宽度值作为锚箱的初始值。计算每个边框与每个锚框的iou值，生成多个宽度和高度组合的锚框。计算每个所述边框相对于每个锚框的误差d(n,k)，通过比较每个所述边框相对于每个锚框的误差大小，选择误差最小的进行分类。具体来说，在对深度学习领域应用较为广泛的yolov3检测模型进行研究后，对实际生产过程中经常出现和可能出现的不锈钢箔边框进行统计收集和汇总。通过工业相机拍摄不锈钢箔图像，对翻滚确认后的不锈钢箔图像数据进行处理，从而得到不锈钢箔翻滚训练数据集，可以使用voc训练集格式制作不锈钢箔翻滚检测训练数据集。由于 yolov8 算法中的默认锚箱尺寸是基于 voc 数据集使用 k-means 聚类算法得到的，数据集中的训练目标和检测目标与 voc 数据集中的目标尺寸、形状等完全不同，因此使用通用的锚箱尺寸会对最终训练模型的精度产生影响。影响，这时就需要生成相应的锚框尺寸来替代默认值，这就为不锈钢箔侧翻视觉检测系统的准确检测提供了可靠的保障。
21.在一个实施例中，具体实现步骤如下：步骤一：进行聚类的是被检测目标（侧翻）的边界（boundingbox），所以在第一步需要提取数据集中所有的侧翻边界（boundingbox）坐标，也许一张图片有一个矩形框，也许有多个，但是需要无差别的将所有图片无差别的提取出来，但是需要提取所有图片的所有矩形框，并将它们放在一起。
22.第二步：数据处理，获取训练数据中所有边框的宽度和高度数据。训练数据给出的往往是其边框的 4 个坐标，但后续聚类分析需要的是边框的宽和高，因此需要将坐标数据转换为边框的宽和高大小。步骤 3：初始化 9 个锚框的值，从数据集中获得的所有边界框值中随机选取 9 个值作为 9 个锚框的初始值。步骤 4：计算每个边界框与每个锚点框的 iou 值。使用如图所示的方法引入 iou 区域，并使用 k-means 聚类算法对所有边界框值进行聚类和分析，生成 9 个具有宽度和高度组合的锚框。iou 区域的计算公式如下所示：iou = (x*y)/(a*b+c*d
ꢀ‑
x*y)，距离参数 d 定义为：d = 1
ꢀ‑ꢀ
iou。
23.步骤 5：分类操作。经过上一步的计算，可以得到每个边界框对每个锚框的误差 d(n,k)，通过比较每个边界框对每个锚框的误差大小，选择误差最小的锚框，并将此边界框归类到它，并对每个边界框进行此操作。对每个边界框都执行这一操作，最后记录每个锚框属于哪个边界框。第 6 步：锚框更新。经过上一步，知道了哪些边界框属于每个锚点框，然后针对每个锚点框中的这些边界框，找到这些边界框的宽度和高度值的大小，并将其作为锚点框的新大小。步骤 7：重复步骤 4 到步骤 6 的操作，直到在步骤 5 中发现所有边界框所属的锚框类别与之前的完全相同。这样就得到了符合不锈钢箔侧载样本数据集的 9 个新的锚框类别。在表 1 中，对不锈钢箔侧翻图像数据集进行了聚类分析，比较了在一个实施例中使用 k 均值法优化锚点盒前后的检测效果、使用 k-means聚类算法迭代后选出的相应锚点盒的宽度和高度分别为（2，7）、（6，19）、（8，28）、（16，19）、（17，24）、（34，98）、（38，167）、（132，154）、（156，246）。表 1 比较了聚类方法优化前后 anchorbox 在不锈钢箔片侧面图像数据集上的差异和检测结果。从表 1 中可以看出，使用优化聚类算法得到的 anchorbox 在目标检测方面有显著提升，测试环境为：win10 操作系统，cpu 型号：intel8700k；gpu 型号：nvidiagtx4080：与原始 yolov8 相比，检测速度提高了 0.6 帧/秒，平均检测准确率提高了 2.7 个百分点，达到 92.1%。
24.通过使用上述改进的 yolov8 算法，可以实现高精度、高速地检测带箔的侧翻缺陷，从而提高生产效率和产品质量。此外，通过实时监控和检测侧翻缺陷，可以及时发现和处理问题，进一步提高生产效率。最后，通过自适应阈值调整，可以更好地适应不同的生产环境和状态。

技术特征：
1.一种基于yolov8模型的不锈钢箔侧翻检测方法，其特征在于：包括如下步骤s1、建立 yolov8 模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；s2、获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；s3、对所述不锈钢箔侧影训练数据集进行k-means值聚类计算，得到新的锚箱值，将新的锚箱值替换为原始yolov8模型中的数据集参数；s4、通过所述不锈钢箔侧向训练数据集训练yolov8模型，并以focalloss损失函数替换原yolov8模型中的二分交叉熵损失函数，得到改进的yolov8模型，利用改进的yolov8模型对所述不锈钢箔图像进行侧向目标检测。2.根据权利要求1所述的一种基于yolov8模型的不锈钢箔侧翻检测方法，其特征在于：步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理包括：对所述不锈钢箔图像进行图像裁剪、缩放、翻转、移位、旋转、亮度调整和拉伸；通过图像分割算法、图像增强算法或图像融合算法将所述不锈钢箔图像与侧翻图像融合，以得到不锈钢箔侧翻训练图像。3.根据权利要求2所述的一种基于yolov8模型的不锈钢箔侧翻检测方法，其特征在于：步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：将每幅所述不锈钢箔图像切分为多幅切片图像，并使每幅切片图像以设定的分辨率显示，以提高小目标侧翻图像的检测精度；采用多线程流程对切片后的图像进行处理，使切片图像以同步方式完成数据处理。4.根据权利要求3所述的一种基于yolov8模型的不锈钢箔侧翻检测方法，其特征在于：步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：建立翻转图像集，通过所述翻转图像集判断所述不锈钢箔图像中是否存在翻转，如果存在，则在不锈钢箔图像中标记边框并获取翻转的边框坐标。5.根据权利要求4所述的一种基于yolov8模型的不锈钢箔侧翻检测方法，其特征在于：步骤s2中对所述不锈钢箔图像和所述侧翻图像的数据处理还包括：根据所述边框坐标计算出所述边框的宽度和高度数据，其中所述边框的高度高于所述边框右下角的横坐标与所述边框左上角的横坐标之差，所述边框的宽度等于所述边框右下角的纵坐标与所述边框左上角的纵坐标之差。6.根据权利要求1所述的一种基于yolov8模型的不锈钢箔侧翻检测方法，其特征在于：步骤s3对所述不锈钢箔侧影训练数据集进行k-means值聚类计算包括，通过对训练数据集中获取的所有所述侧翻的高度值和宽度值进行初始化，随机选取多个高度值和宽度值作为锚箱的初始值；计算每个边框与每个锚框的iou值，生成多个宽度和高度组合的锚框；计算每个所述边框相对于每个锚框的误差d(n,k)，通过比较每个所述边框相对于每个锚框的误差大小，选择误差最小的进行分类。

技术总结
本发明涉及不锈钢带材轧制领域。一种基于YOLOv8模型的不锈钢箔侧翻检测方法，建立YOLOv8模型，使用工业相机拍摄不锈钢箔，获取不锈钢箔的图像；获取并处理不锈钢箔生产过程中产生的侧翻图像，对所述不锈钢箔图像和所述侧翻图像进行数据处理后形成不锈钢箔侧翻训练数据集；对所述不锈钢箔侧影训练数据集进行K-Means值聚类计算，得到新的锚箱值（anchorbox），将新的锚箱值替换为原始YOLOv8模型中的数据集参数；通过所述不锈钢箔侧向训练数据集训练YOLOv8模型，得到改进的YOLOv8模型，利用改进的YOLOv8模型对所述不锈钢箔图像进行侧向目标检测。标检测。


技术研发人员：任岩 段浩杰 赵永顺 员朝波 穆钧成
受保护的技术使用者：山西太钢不锈钢精密带钢有限公司
技术研发日：2023.07.21
技术公布日：2023/10/7