本發明屬于齒輪端面缺陷圖像處理和機器視覺領域，尤其涉及一種基于多尺度目標檢測的齒輪端面缺陷檢測方法。

背景技術：

1、目前，齒輪端面缺陷檢測技術是工業制造領域重要的質量控制環節。傳統的齒輪端面缺陷檢測方法主要依賴于人工檢測或基于機器視覺的檢測系統，但這些方法存在諸如效率低、魯棒性不足等問題。近年來，基于深度學習的目標檢測技術在缺陷檢測中得到了廣泛應用，尤其是yolo系列(you?only?look?once)模型因其高效的實時檢測能力成為工業缺陷檢測的熱門選擇。然而，現有的深度學習模型在實際應用中，面對小目標檢測、復雜背景干擾、模型計算資源消耗大等問題，仍然存在瓶頸，特別是在資源有限的邊緣設備上應用時，模型輕量化和檢測精度的平衡問題亟待解決。

2、現有齒輪端面缺陷檢測技術的主要目的是提高檢測的自動化程度、提高檢測精度，尤其是針對微小缺陷的檢測，并實現高效實時的檢測能力。技術措施包括使用深度學習技術進行缺陷的自動識別與分類，常見的技術手段包括卷積神經網絡(cnn)進行特征提取，利用yolo系列網絡進行實時檢測，以及通過引入注意力機制增強模型對關鍵特征的捕捉。有研究在進行缺陷特征提取時，在yolov5網絡的主干網絡中引入高效通道注意力機制(eca)，通過增強網絡對軸承表面缺陷信息的關注，提高了特征提取的能力。eca機制通過在通道維度上進行權值訓練，讓網絡更好地關注軸承表面的缺陷信息，而忽略無用的背景信息。

3、然而，現有齒輪端面缺陷檢測技術在實際應用中存在以下缺陷和不足：

4、(1)檢測精度與復雜背景的適應性不足：現有技術雖然在小目標檢測上有所改進，但對于復雜工業場景下的背景干擾，齒輪端面常常受到油污、光照變化等背景干擾，檢測模型仍然容易受到影響難以有效抑制背景噪聲，因此產生漏檢和誤檢現象。

5、(2)計算資源消耗大：雖然現有模型(如yolov5、yolov8等)具有較高的檢測效率，但其計算量較大，模型參數過多，尤其是在資源有限的設備上(如邊緣計算設備)部署時，難以滿足實時檢測的要求。

6、(3)輕量化程度不夠：雖然部分現有技術引入了輕量化卷積模塊或注意力機制，但這些改進多集中在個別模塊的優化，整體模型的參數量和計算量仍然較大，無法滿足資源有限的邊緣設備的部署需求。

7、(4)小目標檢測仍有局限：大多數檢測模型對小目標特征的提取能力不足，且這些特征容易被背景信息掩蓋，且由于齒輪端面缺陷通常較小，現有模型難以準確檢測這些微小目標，導致頻繁漏檢和誤檢；現有的小目標檢測層雖然提升了對微小缺陷的檢測，但對于更復雜的齒輪端面缺陷(如劃痕、磨損)表現有限，特別是在密集分布的缺陷中依然容易出現檢測遺漏。

8、(5)模型的泛化能力有限：現有齒輪檢測模型通常針對特定數據集進行訓練，泛化能力較弱，難以在復雜的工業場景中適應。

9、因此，現有技術在檢測精度、模型輕量化以及復雜背景下的適應性等方面仍存在改進空間，特別是在實際工業場景中應用時，如何有效解決這些問題是亟待解決的目標。

技術實現思路

1、本發明的目的在于解決現有技術中存在的上述問題，并提供一種基于多尺度目標檢測的齒輪端面缺陷檢測方法，該方法能夠有效解決小目標檢測精度低、背景干擾大、計算資源消耗高等問題，適用于工業生產中的實時檢測需求。

2、為了實現上述發明目的，本發明具體采用如下技術方案：

3、第一方面，本發明提供了一種基于多尺度目標檢測的齒輪端面缺陷檢測方法，其包括以下步驟：

4、s1、設定齒輪端面缺陷檢測的數據采集參數，基于數據采集參數生成包含不同齒輪端面缺陷類型的原始圖像；

5、s2、對原始圖像進行標注，生成與原始圖像對應的標簽文件，并對原始圖像進行預處理，由標簽文件和預處理后的圖像構成處理后的圖像數據集；

6、s3、在yolov8模型上加入一層小目標檢測層，并將yolov8模型中所有拼接操作替換為雙向特征金字塔網絡，將yolov8模型主干網絡的一層卷積層替換為分組通道卷積模塊，將yolov8模型主干網絡的sppf模塊前增加一個高效通道注意力機制，得到齒輪端面缺陷檢測模型；

7、s4、在處理后的圖像數據集上訓練齒輪端面缺陷檢測模型，基于wise-iou損失函數更新齒輪端面缺陷檢測模型參數；

8、s5、將待檢測的圖像輸入至訓練好的齒輪端面缺陷檢測模型，得到待檢測圖像的齒輪端面缺陷檢測結果。

9、作為優選，步驟s1中，數據采集參數包含圖像采集的分辨率、圖像采集的范圍和圖像采集的頻率；齒輪端面缺陷類型包含劃痕、斷齒以及凹痕。

10、作為優選，步驟s2中，使用圖像標注工具在原始圖像上標注齒輪端面缺陷位置，生成標簽文件，并對原始圖像進行數據增廣操作，得到預處理后的圖像。

11、作為優選，步驟s4中，在訓練齒輪端面缺陷檢測模型的過程中，將預處理后的圖像輸入到齒輪端面缺陷檢測模型的主干網絡，預處理后的圖像依次經過第一卷積層、第二卷積層以及第一c2f模塊，得到第一特征圖，第一特征圖依次經過第三卷積層以及第二c2f模塊，得到第二特征圖，將第二特征圖依次經過所述分組通道卷積模塊以及第三c2f模塊，得到第三特征圖，將第三特征圖依次經過第四卷積層、第四c2f模塊、高效通道注意力機制以及sppf模塊，得到第四特征圖，將第四特征圖進行上采樣，將上采樣后的第四特征圖和第三特征圖一起輸入至第一雙向特征金字塔網絡，得到第五特征圖，將第五特征圖輸入至第五c2f模塊，得到第六特征圖，將第六特征圖進行上采樣，將上采樣后的第六特征圖和第二特征圖一起輸入至第二雙向特征金字塔網絡，得到第七特征圖，將第七特征圖輸入至第六c2f模塊，得到第八特征圖，將第一特征圖和第八特征圖輸入至小目標檢測層，在小目標檢測層中先對第八特征圖進行上采樣，將上采樣后的第八特征圖和第一特征圖一起輸入至第三雙向特征金字塔網絡，得到第九特征圖，將第九特征圖輸入至第七c2f模塊，得到第十特征圖，將第十特征圖輸入至第五卷積層，得到第十一特征圖并將其作為小目標檢測層的輸出，將第十特征圖輸入至第一檢測層，得到小目標檢測層輸出的候選檢測框，將第十一特征圖和第八特征圖一起輸入至第四雙向特征金字塔網絡和第八c2f模塊，得到第十二特征圖，將第十二特征圖輸入至第二檢測層，得到第二檢測層輸出的候選檢測框，將第十二特征圖輸入至第六卷積層，得到第十三特征圖，將第十三特征圖和第六特征圖一起輸入至第五雙向特征金字塔網絡和第九c2f模塊，得到第十四特征圖，將第十四特征圖輸入至第三檢測層，得到第三檢測層輸出的候選檢測框，將第十四特征圖輸入至第七卷積層，得到第十五特征圖，將第十五特征圖和第四特征圖一起輸入至第六雙向特征金字塔網絡和第十c2f模塊，得到第十六特征圖，將第十六特征圖輸入至第四檢測層，得到第四檢測層輸出的候選檢測框，計算各個檢測層輸出的候選檢測框與標注的真實檢測框之間的wise-iou損失函數，在所有候選檢測框中將wise-iou損失函數最小的候選檢測框作為最終匹配檢測框，并計算最終匹配檢測框與標注的真實檢測框之間的wise-iou損失函數作為最終的wise-iou損失函數，基于最小化最終的wise-iou損失函數更新齒輪端面缺陷檢測模型參數，直至損失收斂，得到訓練好的齒輪端面缺陷檢測模型。

12、作為優選，所述wise-iou損失函數lwise-iou的函數形式如下：

13、

14、式中：bgt表示真實檢測框；bp表示候選檢測框；∩表示取交集；∪表示取并集；α表示權重超參數。

15、作為優選，所述權重超參數取值范圍為[0.2，1.0]。

16、作為優選，所述第一卷積層和所述第四卷積層的卷積核大小均為3×3、填充均為1且步長均為2。

17、作為優選，所述第二卷積層、所述第三卷積層、所述第五卷積層、所述第六卷積層以及所述第七卷積層的卷積核大小均為3×3、填充均為1且步長均為1。

18、作為優選，步驟s5中，待檢測圖像的齒輪端面缺陷檢測結果包括預測的齒輪端面缺陷類型和齒輪端面缺陷的邊界框坐標。

19、本發明相對于現有技術而言，具有以下有益效果：

20、本發明的優點在于將傳統的yolov8模型與高效通道注意力機制(eca)、小目標檢測層、gsconv模塊以及wise-iou損失函數進行了創新融合，設計了齒輪端面缺陷檢測模型，通過優化特征提取、輕量化設計和損失函數策略，顯著提高了模型檢測精度和效率。高效通道注意力機制增強了齒輪端面缺陷檢測模型對關鍵特征的關注，gsconv模塊通過減少計算量和特征冗余實現了輕量化，小目標檢測層提升了微小缺陷的檢測效果，而wise-iou損失函數進一步優化了邊界框回歸，減少了誤檢和漏檢，提升了模型的收斂速度。齒輪端面缺陷檢測模型檢測速度快、占用存儲空間小，檢測效果優良，提供了一種在工業大批量檢測中具有高度實用性和創新性的高效檢測方法。