(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210804667.1 (22)申请日 2022.07.08 (71)申请人 中国计量大 学 地址 310018 浙江省杭州市学源街258号中 国计量大 学 (72)发明人 赵文轩　王凌　王凡通　林俊言　 高雁凤　陈锡爱　王斌锐　 (51)Int.Cl. G06T 7/00(2017.01) G06V 10/762(2022.01) G06V 10/80(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种基于YOLOv5的小型透明塑料制品缺陷 检测方法 (57)摘要 本发明涉及一种基于YOLOv5模型的小型透 明塑料制品缺陷检测方法， 属于深度学习和目标 检测领域。 该方法首先获取塑料制品缺陷图像构 建相关数据集； 其次对训练集中的标注框框进行 K‑means++聚类； 接着将加入注意力机制的 Backbone网络对图像进行四尺度的特征提取并 传入Neck结构； 然后Neck结构 进行特征融合并传 给预测网络得到最终检测结果； 最后对训练得到 的网络模型进行验证和测试。 该方法在提高了缺 陷特征提取的性能以及识别的准确性的基础上， 能够实现小型透明塑料制品缺陷的实时、 准确检 测。 权利要求书2页 说明书5页 附图2页 CN 115147380 A 2022.10.04 CN 115147380 A 1.一种基于YOLO  v5的小型透明塑料制品缺陷检测方法， 其特征在于， 该方法包括如下 步骤 (1)获取小型透明塑料制品缺陷图像， 将所有图像划分为训练集、 验证集、 测试集， 所有 图像包含裂纹、 缺损和气泡三类并标注训练集内的缺陷； 对训练集的先验框使用K ‑means++ 算法进行聚类； (2)对步骤(1)中获取的训练集图像输入到改进YOLOv5的骨干网络结构获取4种不同尺 度的特征图； (3)对步骤(2)中获取的4种不 同尺度的图像特征层， 将其输入到改进的YOLOv5网络的 Neck结构， 经过多层特征融合结构， 输出4个不同尺度的张量数据， 从而实现不同尺度的信 息融合； (4)对步骤(3)得到的4个不同尺度的张量数据， 将其输入到改进的YOLOv5网络的 Prediction结构， 通过4个检测头进行预测， 由定义的损失函数对检测目标进行定位及类别 检测； (5)通过训练集训练网络模型并在验证集上对模型进行验证， 并搭载到计算机 图像处 理模块上进行小型透明塑料制品缺陷实时检测。 2.根据权利要求1所述的一种基于YOLOv5的小型透明塑料制品缺陷检测方法， 其特征 在于， 所述 步骤(1)中K ‑means++聚类算法是在K ‑means算法的基础上进行改进： 首先在数据集X中 随机选择一个中心点u1， 计算样本中其余样本点xi与当前中心点之间 的欧式距离di， 选择下一个中心点时， 若该点与其余所有中心点距离越大， 其成为中心点的 概率就越高， 反之距离越近概率越低； 接着重复上述操作直到寻找到需要的中心 点； 然后计 算每个样本点到这两个中心 点距离并将他们归为最近的簇中； 最后更新中心 点位置使得每 个簇中所有点到中心点距离di最小， 如此循环至中心位置不变或达到最大迭代次数； 其中 某个样本点被选择为中心点的概 率定义如下： 其中j为当前中心点个数， 12为所需聚类中心点个数。 3.根据权利 要求1所述的基于YOLOv5的小型透明塑料制品缺陷检测方法， 其特征在于， 所述步骤(2)中YOLOv5的骨干网络结构包括： 构建Y OLOv5的骨干网络模 型部分， 其包含将原 有的Focus模块的切片层改为卷积层， 并依次连接C3模块、 Conv模块、 SPP模块和ECA注意力 模块， ECA模块置 于Backbo ne结构的最后一层； 将Focus模块的切片层改为卷积层， 即用卷积来代替切片进行特征提取， 加快网络计算 速度； ECA注意力 模块是在SENet上进行改进， 使用全局平均池化， 但不降低通道 维数； 通过考 虑每个通道以及通道的k个邻元素来捕获局部跨通道的交互信息； 其中k表示一维快速卷积 的核尺寸， 其定义式如下： 权　利　要　求　书 1/2 页 2 CN 115147380 A 2其中C为总通道数。 4.根据权利 要求1所述的基于YOLOv5的小型透明塑料制品缺陷检测方法， 其特征在于， 所述步骤(3)中的4种不同尺度具体为： 在输入图像为(W,W,3)时， 由Backbone结构中四个C3 结构输出的四个特征层作为多层特征融合网络的输入； 4个不同尺度特征层分别为 和 并按顺序分别记为TZ1， TZ2， TZ3和TZ4； 多层 特征融合网络包含自上而下的FPA结 构和自下而上的PAN结构， 在FPA结构中进行融合时， T2、 T3和 T4的一份经过上采样与CSP结 构输出中对应尺度的特征图进行融合， TZ1 ’作为PAN融合结构的输入； 在PAN结构中进行融 合时， TZ1 ’与FPA的输出经过下采样后的结果不断融合， 最终输出四个不同尺度的张量数 据。 5.根据权利要求1所述的一种基于YOLOv5的小型透明塑料制品缺陷检测方法， 其特征 在于， 所述 步骤(4)中4个 检测头预测具体为： 检测头对输入的 以及 的特征图上预测， 从目标中 心点所在 网格以及距离中心点最近的两个网格中进行匹配， 每个网格生成3个不同尺寸的 边界框， 通过边界框目标损失函数确定最 终的预测框和预测种类； 损失函数由回归损失、 置 信度损失和分类损失组成， 其中回归损失函数定义公式改为如下： 其中d是真实框的中心Cgt和预测框的中心C之间的欧式距离， l是真实框和预测框最小 外接矩形的对角线长度， IOU 是真实框和预测框面积的交并比， IOU的计算公 式如(2)所示， v 是衡量真实框和预测框 长宽比一致性的参数， 其定义式如(3)所示， 其中wgt， hgt， w， h分别为真实框的宽和高， 预测框的宽和高； 根据上述损失函数定义式可 以确定生成更多合 适的预测框能够提升网络的预测性能。权　利　要　求　书 2/2 页 3 CN 115147380 A 3