【技術實現步驟摘要】
本專利技術涉及圖像數據處理，具體涉及一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法。
技術介紹
1、在現代證件生產過程中，質量檢測是一個至關重要的環節。然而，現有的質量檢測手段主要依賴人工完成，一般來說，一條產線往往需要配2～6名質檢工，長時間在高光下通過肉眼觀察證件表面來尋找毫米級微小瑕疵。這種方法不僅勞動強度大、效率低，且受限于人工的視覺疲勞和主觀判斷，容易出現漏檢和誤檢。此外，人工質檢的穩定性和一致性較差，檢測結果往往因人而異，導致質檢質量層次不齊。同時，人工質檢還大幅增加了生產成本，成為制約證件生產自動化和規模化的瓶頸問題。
2、隨著工業自動化技術的發展，基于計算機視覺的自動化檢測逐漸進入人們的視野。然而，傳統的機器視覺技術在面對微小瑕疵檢測時存在諸多不足，尤其是當瑕疵面積較小或特征不明顯時，常規的圖像處理方法難以保證檢測的準確性。此外，機器視覺系統在復雜背景或多變光照條件下容易受到干擾，導致漏檢和誤判。
技術實現思路
1、為了解決現代證件生產過程中人工質檢效率低和一致性差，以及微小瑕疵缺陷檢測的準確度較差的技術問題，本專利技術提出了一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，通過實時采集目標圖像數據，使用標注工具人工標注，生成旋轉標注數據集，采用切割算法對瑕疵中心進行切塊處理。隨后，結合數據擴增技術生成小目標旋轉框數據集。引入了小目標檢測頭和spff-fsca結構改進yolov8-obb算法，優化特征提取，提升檢測的精度和完整性。
2、本專
3、獲取待檢測復合聚酯卡制品對應的外觀表面圖像；
4、根據所述外觀表面圖像，通過預先訓練完成的目標缺陷識別網絡，對所述待檢測復合聚酯卡制品進行毫米級微小外觀缺陷檢測，其中，目標缺陷識別網絡是添加了目標檢測頭，并用spff-fsca結構替換了原有的spff模塊的yolov8-obb模型；目標檢測頭是利用backbone網絡輸出的160×160特征圖，與neck層經過上采樣后的特征圖進行結合，生成能夠檢測4×4像素級別小目標的檢測頭；
5、目標缺陷識別網絡的訓練過程包括：
6、采集目標表面的圖像數據，并對其中包含瑕疵的圖像采用rolabelimg圖像標注工具進行人工標注，生成標注數據集；
7、根據標注數據集，采用切割算法定位圖像中的每個瑕疵，以瑕疵為中心進行切塊處理；
8、對切塊后的圖像進行數據擴增，生成目標旋轉框數據集；
9、構建目標缺陷識別網絡，并以目標旋轉框數據集為訓練集，以標注的瑕疵為訓練標簽，對構建的目標缺陷識別網絡進行訓練。
10、可選地，所述對切塊后的圖像進行數據擴增，生成目標旋轉框數據集，包括：
11、對切塊后的圖像進行旋轉、平移、亮度調整、對比度調整、飽和度調整以及鏡像翻轉，形成目標旋轉框數據集。
12、可選地，spff-fsca結構是在yolov8-obb模型中的spff模塊后引入注意力機制模塊fsca與通道注意力機制模塊，形成的結構。
13、可選地，fsca從空間和通道兩個獨立維度依次生成特征注意力圖，并與原始特征圖進行逐元素相乘；spff模塊輸出的特征圖f輸入到fsca進行建模，在高度和寬度維度上執行平均聚合操作對應的公式為：
14、
15、其中，和分別是沿高度和寬度方向聚合的結果，w和h分別為特征圖的高度和寬度；x(h,i)表示特征圖在高度h方向上的第i個元素，x(j,w)表示在寬帶w方向上的第j個元素。該過程能夠捕捉到特征圖在空間維度上的全局信息；
16、將聚合后的特征和進行拼接，將其輸入到共享的1×1卷積層f1中對應的公式為：
17、
18、其中，[,]表示拼接操作；
19、通過激活函數σ對特征進行自適應調整，生成通道權重系數對應的公式為：
20、wx,wy＝σ(split(f))
21、其中，wx和wy表示分割得到的兩個注意力權重，σ表示sigmoid激活函數；split(f)表示對特征圖f進行分割操作；
22、使用3×3的卷積對特征圖f進行處理對應的公式為：
23、wz＝relu(f3×3(x))
24、其中，relu表示relu激活函數，f3×3(x)表示3×3卷積操作；
25、結合通道和空間的注意力權重，對特征圖進行加權處理，得到最終優化的特征圖對應的公式為：
26、f'＝f·wx·wy·wz
27、其中，f'為最終優化的特征圖，wx，wy，wz分別為通道和空間的注意力權重。
28、本專利技術具有如下有益效果：
29、第一，本專利技術采用切割算法，以瑕疵為中心對圖像進行切塊操作，避免因圖像過大導致的特征丟失或瑕疵模糊。這不僅減小了計算復雜度，提高了檢測速度，還確保每個子圖中包含完整的瑕疵區域，增強算法對微小目標的檢測精度，減少漏檢和誤檢。
30、第二，在切割處理后的子圖上，本專利技術進一步引入了切片檢測技術。通過對多個子圖分別進行檢測，利用非極大值抑制(nms)算法合并檢測結果，確保目標特征的完整性，顯著提升了檢測的準確性和一致性。
31、第三，本專利技術通過多種數據擴增方法生成更具多樣性的旋轉框數據集。這種擴增技術不僅增強了模型的泛化能力，還提高其在不同光照和復雜背景條件下的檢測性能。
32、第四，本專利技術對yolov8-obb算法進行改進，增加小目標檢測頭，并用spff-fsca結構替換原有的spff模塊。此改進優化特征提取過程，確保在小目標檢測中的精度和效率。該算法能夠快速處理復雜圖像場景，特別適用于對微小目標的實時檢測任務。
本文檔來自技高網...【技術保護點】
1.一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，所述對切塊后的圖像進行數據擴增，生成目標旋轉框數據集，包括：
3.根據權利要求1所述的一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，SPFF-FSCA結構是在YOLOv8-OBB模型中的SPFF模塊后引入注意力機制模塊FSCA與通道注意力機制模塊，形成的結構。
4.根據權利要求3所述的一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，FSCA從空間和通道兩個獨立維度依次生成特征注意力圖，并與原始特征圖進行逐元素相乘；SPFF模塊輸出的特征圖F輸入到FSCA進行建模，在高度和寬度維度上執行平均聚合操作對應的公式為：
【技術特征摘要】
1.一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，包括以下步驟：
2.根據權利要求1所述的一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，所述對切塊后的圖像進行數據擴增，生成目標旋轉框數據集，包括：
3.根據權利要求1所述的一種面向復合聚酯卡制品的微小外觀缺陷視覺檢測方法，其特征在于，spff-fsca結構是在yolov...
【專利技術屬性】
技術研發人員：穆輝宇，蘇嘉帥，王雅娣，胡運，韓樹冰，黨蘭學，劉揚，遠程，張鵬宇，
申請(專利權)人：河南大學，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。