买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：安徽农业大学

摘要：本发明属于机器视觉和图像处理领域，提供了轻量化Efficient‑YOLOV8的钢表面裂纹智能识别方法，包括以下步骤：利用金属扫描电镜设备采集带钢表面疲劳裂纹图像；采用二维经验模态分解方法对裂纹原始图像进行预处理；将S2‑MLPv2注意力机制集成到原始YOLOV8模型的C2f模块的残差模块中，同时用S‑CSPC取代YOLOV8模型中连接颈部和骨干的SPPF，得到Efficient‑YOLOV8；进而利用E‑YOLOV8模型对预处理后的图像进行训练，得到带钢表面裂纹图像识别混淆矩阵图。本发明可有效减轻背景噪声对裂纹识别的影响，E‑YOLOV8模型的空间感知能力得到了提升，能够有效识别不同种类的裂纹，改善了由于裂纹的微小性和复杂性对于识别的影响，具有计算复杂度低、识别效果高的优点。

主权项：1.轻量化Efficient-YOLOV8的钢表面裂纹智能识别方法，其特征在于：该钢表面裂纹智能识别方法包括以下步骤：步骤1：利用金属扫描电镜设备采集带钢表面疲劳裂纹原始图像；步骤2：使用二维经验模态分解方法对采集的带钢表面疲劳裂纹原始图像进行预处理，得到预处理后的带钢表面疲劳裂纹图像；步骤3：将预处理后的带钢表面疲劳裂纹图像使用矩形标注工具进行标注，标注完成后，生成一个同名的可扩展标记语言文件，包含边界框的坐标和类别信息，保存标注信息；步骤4：将多层空间位移感知的视觉骨干网络S2-MLPv2注意力机制集成到youonlylookonce-YOLOV8的特征融合模块中，用完全卷积空间金字塔卷积模块取代YOLOV8模型中连接骨干和颈部的空间金字塔池化模块，得到E-YOLOV8模型；步骤5：将预处理后的带钢表面疲劳裂纹图像输入到改进后的E-YOLOV8模型中进行训练，得到带钢表面裂纹图像识别混淆矩阵图、精确度以及平均准确率均值；步骤2具体包括：步骤21：识别原始图像的所有区域局部极值，找到所有局部最大值和最小值；在分析灰度图像时，使用形态学重构方法来提取图像信号中的极值点，对标记图像进行基于特征的迭代应用扩张或侵蚀，直到标记图像的像素值停止变化为止；原始灰度图像的局部最大值通过从原始图像中减去扩张后的重建图像来确定，局部最小值通过从原始图像中减去侵蚀后的重建图像来确定；步骤22：对局部极值进行表面拟合，创建上下包络面，使用插值方法构造所有局部最大值包络和所有局部最小值包络；步骤23：计算平均包络：；将原始图从平均包络线中减去从而获得中间表面：，理想情况下是第一个BEMD分量：；然而，往往不满足的迭代停止条件；视为新信号，重复以上步骤，得到包络平均值，此时；重复上述步骤L次，直至满足迭代停止条件；此时，有包络均值，，第一本征模函数，第一个残差为；将得到的第一个残差作为新信号，重复以上步骤，得到对应的本征模函数和残差；此时，，...，；图像分解记为： （1）；步骤24：使用柯西收敛方法设置迭代停止条件；步骤21包括：步骤211：利用结构元素对二元图像中与每个像素位置相对应的区域执行重建操作，输出重建后的图像像素；其中，设表示结构元素，对于图像空间E中的每个点，膨胀和腐蚀的执行方式为： （2）； （3）；扩张的结果是平移结构元素与原始图像空间非空相交的像素集合；相反，侵蚀的结果是平移结构元素的所有像素都包含在原始图像空间中；利用形态学重建方法从灰度图像中提取亮峰区域： （4）；其中，是一个恒定的灰度级，应用公式（4），使=1可以得到，这是一个与原始灰度图像局部最大值相对应的集合；步骤4包括：步骤41：在S2-MLPv2注意力机制中，通道C的特征图被扩展为3C通道特征图；步骤42：将扩展后的特征图沿通道维度均匀分为三个部分，并对每个部分应用不同的空间位移操作；步骤43：通过分割注意力操作，合并移位的部分以生成C通道特征图；给定一个输入特征图，通过一个多层感知器将X通道从c扩展到3c: （5）；其中，指扩展后的特征图，MLP指多层感知机，w指特征图的宽度，h指特征图的高度，c指特征图的通道；将扩展的特征图在通道维度上均等的分成三个部分： （6）；通过两个空间位移层和来改变和的位置；执行以下空间位移操作： （7）； 对于执行一个非对称的空间位移操作；步骤44：在YOLOV8中，将S2-MLPv2注意力机制集成到C2f模块中；步骤45：S-CSPC的网络架构集成了多个卷积模块和空间金字塔池化SPP层；SPP层由并行最大池单元组成，用于捕获多个尺度的特征，然后由卷积模块进一步细化；步骤46：用S-CSCP取代YOLOV8模型中连接颈部和骨干的SPPF。

全文数据：

权利要求：

百度查询： 安徽农业大学 轻量化Efficient-YOLOV8的钢表面裂纹智能识别方法