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：山东科技大学

摘要：本发明属于轴承信息检测技术领域，公开了基于改进YOLOv10的轴承表面缺陷检测方法及系统。该方法获取轴承缺陷图像，图像数据增强与预处理，构建轴承缺陷数据集，设计和改进YOLOv10模型，训练改进的YOLOv10模型，测试和评估模型性能，综合比较多个模型。本发明在提高检测精度、训练效率和复杂缺陷识别能力的同时，保持了较低的计算复杂度，确保模型在资源受限环境中的可部署性和实用性。这些优点共同提升了本发明在轴承缺陷检测中的整体性能，为工业设备的可靠性、生产效率和安全性提供了有力保障。

主权项：1.一种基于改进YOLOv10的轴承表面缺陷检测方法，其特征在于，该方法包括：S1，收集轴承缺陷图像，该图像包括轴承凹槽图像、轴承磨损图像和轴承划痕图像；S2，对收集的轴承缺陷图像进行数据增强和预处理；S3，将经过数据增强和预处理的轴承缺陷图像构建成完整的数据集；S4，基于YOLOv10模型进行改进，引入EMAttention注意力模块、YOLOv9的SPPELAN模块，并使用FasterNeT替换Backbone，构建改进的轴承缺陷检测模型，所述改进的轴承缺陷检测模型为改进的YOLOv10模型；S5，将构建的轴承缺陷数据集输入改进的YOLOv10模型中进行训练，通过优化损失函数、添加注意力机制和特征融合模块，优化改进的YOLOv10模型的检测精度和泛化能力；S6，在测试集上，对训练好的YOLOv10模型和改进后的YOLOv10模型进行测试，进行实验结果对比，验证两者在检测轴承缺陷时的准确性和效率，包括缺陷位置、缺陷类别和置信度；S7，将改进的YOLOv10模型与主流算法进行对比，综合评价不同模型的检测性能、计算效率和参数数量；在步骤S4中，构建改进的轴承缺陷检测模型，包括：4.1配置环境：对YOLOv10模型的源码使用Anaconda建立虚拟环境；4.2数据输入：将构建好的轴承表面缺陷数据集输入YOLOv10网络结构模型，包括获取轴承表面缺陷图像、轴承表面缺陷图像标签、YOLOv10网络结构模型预训练权重、YOLOv10网络结构模型配置文件；4.3配置超参数：设定学习率、批样本数量、迭代次数、图像通道数、图片裁剪尺寸和学习率动量最优的超参数组合；4.4采用的原始模型为YOLOv10，对YOLOv10网络结构模型进行改进；在步骤4.4中，对YOLOv10网络结构模型进行改进，包括：4.4.1引入注意力模块EMA；4.4.2使用YOLOv9的SPPELAN模块；4.4.3替换Backbone为FasterNeT；在步骤4.4.1中，引入注意力模块EMA，包括：4.4.1.1模块设计：注意力模块EMA将输入特征图沿通道方向划分为多个子组；每个子组在并行的子网络中处理，包括一个1×1卷积分支和一个3×3卷积分支；4.4.1.2运行1×1卷积分支和一个3×3卷积分支，包括：ⅰ并行子网络：1×1卷积分支负责处理全局信息以重新校准每个并行分支中的通道权重；具体实现步骤如下：ⅰ.11×1卷积操作，表达式为：Fglobal＝Conn1×1Finput2式中，Fglobal为提取的全局特征图，COnv1×1为1×1卷积操作，Finput为输入特征图；ⅰ.2全局平均池化，表达式为：Gpool＝GlobalAveragePoolingFglobal3式中，Gpool为全局平均池化后的特征，表示每个通道的全局特征；i.3全连接生成权重，表达式为：Wcalibrated＝FullyConnectedGpool4式中，Wcalibrated为每个通道的权重，通过全连接层生成；i.4通道加权校准，表达式为：Fcalibrated＝Finput×Wchanel5式中，Fcalibrated为重新校准后的特征图，通过将通道权重与输入特征图相乘实现校准；Wchannel为每个通道的权重，通过全连接层生成；ii3×3卷积分支则通过跨维度交互，进一步聚合两个并行分支的输出特征，以捕获像素级的成对关系；具体实现步骤如下：ii.13×3卷积操作，表达式为：F3×3＝Conv3×3Finput6式中，F3×3为3×3卷积后的特征图，Conv3×3为3×3卷积操作；ii.2跨纬度交互和特征聚合，表达式为：Faggregated＝F1×1+F3×37式中，Faggregated为聚合后的特征图，F1×1为卷积后的特征图；ii.3捕获像素级的成对关系，表达式为： 式中，Apixel为注意力权重，通过聚合后的特征图进行逐元素点积操作生成；sigmoid为激活函数，T为指数；ii.4应用里权重，表达式为：Ffinal＝Faggregated×Apixel9式中，Ffinal为最终的特征图，通过将注意力权重应用到聚合后的特征图上，增强了像素级的成对关系；4.4.1.3跨空间学习：通过将两个并行子网络的输出特征图融合在一起，通过矩阵点积操作来捕捉像素级别的成对关系，1×1卷积分支负责处理全局信息并重新校准每个并行分支中的通道权重，而3×3卷积分支则通过跨维度交互进一步聚合两个并行分支的输出特征；特征图融合通过逐元素相加或拼接来实现；通过矩阵点积操作生成相关性矩阵，捕捉到像素级别的成对关系，并通过激活函数生成注意力权重，应用于特征图上，增强相关性强的像素对，抑制相关性弱的像素对。

全文数据：

权利要求：

百度查询： 山东科技大学 基于改进YOLOv10的轴承表面缺陷检测方法及系统