本发明涉及图像识别，具体涉及一种基于eiem边缘特征提取的钢铁缺陷检测方法。
背景技术：
1、钢铁作为国家基础设施必不可少的原材料之一，大到桥梁制造、道路制造，小到医疗器械、轴承滚珠等等，都有钢铁的参与。但是钢铁由于其材质的特殊性，在生产和存储中的一系列步骤都有可能使得钢铁不符合使用要求，出现这些缺陷对钢铁的强度和使用年限有严重影响，如果没有将这些缺陷的钢铁检测出来，将会对未来安全埋下很多隐患。因此，对于钢铁缺陷的检测十分有必要。
2、现有技术中，随着深度学习的兴起，基于深度学习帮助所产生钢铁缺陷检测方式应运而生，yolo系列作为计算机视觉的代表算法之一，基于yolo算法对钢铁缺陷的检测精度和效率也有所提高，但现有模型都仅仅关注其空间信息且可能引入噪声导致模型精度不高，yolo系列大模型的常规网络结构缺少对实际使用场景的硬件适配性和兼容性，在不同钢材形状种类的识别情况中表现不佳，因此在钢铁缺陷检测任务中，迫切需要一种能够进一步提高检测精度同时，更加适配多种钢铁缺陷检测任务，并有效提取钢铁缺陷关键特征的方法存在，以适应当前多样化的生产标准检测需求。
技术实现思路
1、发明目的：
2、为解决背景技术中提出的问题，本发明提供一种基于eiem边缘特征提取的钢铁缺陷检测方法，以yolov8s作为基底模型，通过自设卷积模块eiem与cbs模块进行特征融合，替换c2f中的bottleneck模块的同时，辅以上采样方法重编辑与使用动态统一检测头的方式获取改进后的模型。相较于常规深度学习模型，通过增强关注边缘轮廓信息，预测本发明检测精度进一步提高，缺陷特征提取表达能力进一步增强，适用于多场景检测任务中。
3、技术方案：
4、本发明提供一种基于eiem边缘特征提取的钢铁缺陷检测方法，所述方法包括如下步骤：
5、s1构建并预处理钢铁缺陷数据集，划分训练集、验证集和测试集；
6、s2以yolov8s作为基准模型，对模型网络进行改进；
7、s2.1扩展sobel算子的双矩阵边缘检测特性构造3d卷积核的权重，构建边缘信息提取卷积eieconv；
8、s2.2边缘信息提取卷积eieconv和空间卷积cbs通过特征融合构成边缘信息提取模块eiem，替换yolov8s基准模型中c2f中的bottleneck模块；
9、s2.3使用内容感知重组特征carafe的上采样方法替换传统上采样方法，获得更加精确的特征重建；将检测头换为动态统一检测头dyhead；
10、s3得到改进后的最终模型，设置训练超参数，使用训练集对改进模型进行训练并验证；
11、s4将验证后的模型部署到可视化界面实现钢铁缺陷的实时检测。
12、进一步地，s1所述钢铁缺陷数据集包含1800个灰度图像，涵盖了6种典型的钢铁表面缺陷，即裂纹、夹杂物、斑块、点蚀面、氧化轧皮和划痕；
13、预处理步骤包括：每个图像的分辨率设置为200×200，每种缺陷图片的样本数目为300，将该数据集按照8:1:1的比例将数据集划分为训练集、验证集和测试集，训练集包含1440张图片，验证集包含180张图片，测试集包含180张图片。
14、进一步地，s2.1中所述eieconv的运算结构包括：
15、边缘信息提取卷积eieconv通过sobel算子应用到3d卷积的权重，分别对横向纵向进行边缘检测，sobel算子包含两个3×3的矩阵sx,sy，sx,sy矩阵，矩阵如下：
16、
17、将sx,sy扩展到五维即b×c×d×3×3之后作为3d卷积的权重wx,wy，其中b是batchsize，c是通道数，b和c与输入图像的保持一致，输入图像也加入深度维度到五维之后分别与wx,wy相乘；横向边缘检测结果为gx＝wx×aex，其中aex为扩展后的原始图像；纵向边缘检测结果为gy＝wy×aex，将横向和纵向的边缘检测结果合并并输出为g＝gx+gy，并去除g中的深度维度，使其回到原始输入图像的维度即b×c×h×w，输出特征尺寸维度与输入一样，实现维度还原。
18、进一步地，s2.2所述边缘信息提取模块eiem具体运行步骤为：
19、对于输入的特征，通过边缘信息提取卷积分支eieconv和空间卷积cbs得到边缘轮廓信息和空间信息，将边缘轮廓信息和空间信息进行融合，形成语义丰富的特征表示，通过eiem模块进行深层次信息提取，将深层次提取的特征与原始特征相加，形成残差连接。
20、进一步地，s2.3所述内容感知重组特征carafe包括两个步骤模块，分别预测每个目标位置的重组核，用预测的核重组特征，模块具体结构如下：
21、重组核预测模块，对于输入形状为h×w×c的特征图，通过一个1×1的卷积将其通道数压缩到cm，给定的上采样比率为σ，对于输入特征的每个源位置都要对应σ2个目标位置，假设上采样核尺寸为kup×kup，预测输出h×w×co，其中将通道维在空间维展开，得到形状为的上采样核；对得到的上采样核利用softmax进行归一化，使得卷积核权重和为1，对于核预测编码器需要一个kencoder×kencoder的卷积层，核预测编码器参数为kencoder×kencoder×cm×co，将压缩后的特征变为h×w×co；
22、特征重组模块，对于输入特征的每个位置l(i,j)，取出对应的正方形区域n(xl,kup)，即以l为中心的kup×kup的区域和预测出的该点的上采样核做点积，得到输出值，对于相同位置不同通道来说共享同一个上采样核，保留通道信息的相关性，减少计算。
23、进一步地，s2.3所述dyhead对于给定特征金字塔中l个不同级别的特征的串联，通过上采样或下采样来调整l个级别特征的大小，重新缩放后的特征金字塔可以表示为一个四维张量f∈rl×h×w×c，其中l表示金字塔中的层数，h、w、c分别表示中间级别特征的高度、宽度和通道数，重塑后的特征f∈rl×s×c，对每个维度上分别部署注意力机制，尺寸感知注意力模块仅部署在金字塔特征的水平维度上，空间感知注意力模块部署在空间维度上，任务感知关注模块部署在通道上。
24、进一步地，本发明提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现上述基于eiem边缘特征提取的钢铁缺陷检测方法的任一步骤。
25、有益效果：
26、本发明将模型中的c2f中的bottleneck换成本发明设计的边缘信息提取模块(eiem)构成c2f_eiem，该模块通过边缘卷积分支和空间卷积分支提取边缘信息和空间信息进行特征融合，获得了更加丰富的语义信息，从而适应不同任务环境准确提取缺陷特征，进一步提高检测精度；eieconv内部通过扩展sobel算子权重，在维持易于集成和部署优势的同时，增强模型对于噪声和图像边缘质量变化的鲁棒性，因此本发明在进一步提升钢铁缺陷检测精确性的同时，以更高的鲁棒性和易部署优势，适配多种不同的指标检测，在实际应用过程中相较于常规模型优势明显。
1.一种基于eiem边缘特征提取的钢铁缺陷检测方法，其特征在于，所述方法包括如下步骤：
2.根据权利要求1所述的基于eiem边缘特征提取的钢铁缺陷检测方法，其特征在于，s1所述钢铁缺陷数据集包含1800个灰度图像，涵盖了6种典型的钢铁表面缺陷，即裂纹、夹杂物、斑块、点蚀面、氧化轧皮和划痕；
3.根据权利要求1所述的基于eiem边缘特征提取的钢铁缺陷检测方法，其特征在于，s2.1中所述eieconv的运算结构包括：
4.根据权利要求1或3所述的基于eiem边缘特征提取的钢铁缺陷检测方法，其特征在于，s2.2所述边缘信息提取模块eiem具体运行步骤为：
5.根据权利要求1所述的基于eiem边缘特征提取的钢铁缺陷检测方法，其特征在于，s2.3所述内容感知重组特征carafe包括两个步骤模块，分别预测每个目标位置的重组核，用预测的核重组特征，模块具体结构如下：
6.根据权利要求1所述的基于eiem边缘特征提取的钢铁缺陷检测方法，其特征在于，s2.3所述dyhead对于给定特征金字塔中l个不同级别的特征的串联，通过上采样或下采样来调整l个级别特征的大小，重新缩放后的特征金字塔可以表示为一个四维张量f∈rl×h×w×c，其中l表示金字塔中的层数，h、w、c分别表示中间级别特征的高度、宽度和通道数，重塑后的特征f∈rl×s×c，对每个维度上分别部署注意力机制，尺寸感知注意力模块仅部署在金字塔特征的水平维度上，空间感知注意力模块部署在空间维度上，任务感知关注模块部署在通道上。
7.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被加载至处理器时实现根据权利要求1至权利要求7任一项所述的任一步骤。
