本发明涉及计算机视觉目标检测领域，特别涉及一种基于改进yolov8的钢材表面缺陷目标检测方法。
背景技术：
1、钢材表面缺陷目标检测是在工业领域中广泛应用的一项关键技术。它的主要目标是通过自动化方法准确地定位和识别钢材表面的各种缺陷，例如划痕、裂纹、氧化和凹陷等。这些缺陷可能会降低产品的质量，并且可能在使用过程中导致安全隐患。
2、随着计算机视觉和深度学习的快速发展，钢材表面缺陷目标检测越来越多地采用基于图像处理和机器学习的自动化方法。基于深度学习的方法主要有两类：一类以yolo系列和ssd等代表的一阶段算法，一阶段算法不需要生成区域候选框的过程，直接生成检测类别和位置，一个阶段即可得到最终的检测结果。另一类以rcnn和faster-rcnn等代表的两阶段算法，需要先进行区域候选框生成，然后进行样本分类。
3、yolo系列算法在工业界因为其良好的检测性能与检测速度得到了广泛的应用，其中yolov8相较于前几代版本拥有一些新的特性，包括使用梯度流更丰富的c2f结构、使用了主流的解耦头、从anchor-based变成了anchor-free等。然而，yolov8算法在对于细长以及不规则的小尺寸缺陷目标时，算法的检测精度方面仍然有所不足。
技术实现思路
1、本发明以原yolov8模型为基础，提供一种基于改进yolov8的钢材表面缺陷目标检测方法，在适当提高参数量的情况下，旨在提高对细长隐蔽缺陷的检测精度。
2、本发明具体是通过以下技术方案来实现的，依据本发明提出的一种基于改进yolov8的钢材表面缺陷目标检测方法，其步骤如下：
3、1.获取公开钢材表面缺陷数据集neu-det，数据集包含1800张缺陷图像，共六种类别，分别为：压入氧化铁皮、裂纹、麻点、斑块、划痕、夹杂；
4、2.按照8：1：1的比例划分训练集、测试集和验证集；
5、3.对图像样本进行mosaic数据增强处理；
6、4.构建基于改进yolov8的钢材表面缺陷目标检测网络yolov8-st；
7、5.将训练集和验证集导入网络进行训练，得到钢材表面缺陷目标检测模型；
8、6.用目标检测模型对测试集进行钢材表面缺陷检测。
9、本发明提供的一种基于改进yolov8的钢材表面缺陷目标检测方法优选的方案，mosaic数据增强过程包括：
10、每次从数据集中随机读取四张图片，对四张图片分别随机进行翻转、缩放、色域变化等操作；操作完成之后然后再将原始图片按照第一张图片摆放在左上，第二张图片摆放在左下，第三张图片摆放在右下，第四张图片摆放在右上四个方向位置摆好；利用矩阵的方式将四张图片它固定的区域截取下来，然后将它们拼接起来，拼接成一张新的图片，新的图片上含有框框等一系列的内容。
11、本发明提供的一种基于改进yolov8的钢材表面缺陷目标检测方法优选的方案，c2f_msblock模块包括：
12、c2f_msblock模块中的msblock层将输入被分割成多个分支，随着网络的深入逐渐增加卷积核的大小，浅层中使用小核卷积处理高分辨率特征，而在深层中采用大核卷积捕获大范围的信息，每个分支处理不同的特征子集在分支内部，通过1×1卷积进行特征转换；然后应用了一个k×k的深度卷积（深度可分离卷积）；之后再接一个1×1卷积减少参数量；最后，所有的分支再经过一个1x1卷积进行融合，整合各个分支的特征，其数学表达式如下：
13、(1)
14、除了x1之外，每一条分支都要经过一个反向瓶颈层，也就是接受前一条分支的反向传播，表示为，其中k表示kernel size。
15、本发明提供的一种基于改进yolov8的钢材表面缺陷目标检测方法优选的方案，轻量级上采样算子carafe包括：
16、carafe算子，内容感知特征重组算子，是一种即插即用的轻量级算子。传统上采样通常使用插值或反卷积等技术，这些方法在上采样过程中可能会引入一些伪像或者模糊效果。而carafe使用了一种自适应卷积的方式进行上采样，可以更好地保留细节信息，减少伪像模糊。carafe通过自适应卷积的方式，可以在保持精度的同时减少计算量，提高算法的速度。
17、本发明提供的一种基于改进yolov8的钢材表面缺陷目标检测方法优选的方案，wise-inner-shapeiou包括：
18、保留wiseiou的权重，将inneiou和shapeiou得分相加并归一化，得到的损失值和wiseiou的权重相乘，构成全新的wise-inner-shapeiou。
19、如下是wiseiou和wise-inner-shapeiou的数学表达式：
20、(2)
21、(3)
22、(4)
23、(5)
24、(6)
25、其中,scores为目标检测输出的每个边界框的分数，weight为所有前景样本（即正样本）的scores分数之和，s和i分别是shapeiou和inneriou损失函数计算得到的得分，为损失函数的边界框回归损失函数;
26、为真实框与边界框的交并比损失（iou cost）：，其中为预测框面积，为真实框面积；和分别为预测框和真实框的宽和高，为真实框和预测框最小外接矩形的宽和高，为真实框中心坐标，为预测框中心坐标。,为超参数，为梯度增益(wiseiou的权重)，为离群度，是具有动量m的动态平均交并比值，上标*表示为防止产生阻碍收敛的梯度，将中的，中的和从梯度计算中分离出来。
27、本发明公开了一种基于改进yolov8的钢材表面缺陷目标检测方法，与原有技术相比，本发明的优势在于：结合钢材表面缺陷数据集neu-det进行优化改进，能够对细长以及不规则的小尺寸缺陷目标进行实时检测，提高了检测精度。
1.一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于，包括：
2.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于步骤1.2.中mosaic数据增强过程包括：首先，随机选择四张图像进行数据增强操作，包括翻转、缩放和色彩调整等。接着，操作完成之后然后再将原始图片按照第一张图片摆放在左上，第二张图片摆放在左下，第三张图片摆放在右下，第四张图片摆放在右上四个方向位置摆好；这个过程利用了矩阵操作，将四张图像固定区域进行截取，然后拼接成一张新的图像，其中包含了框选等信息。
3.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于步骤1.4.中构建基于改进yolov8的钢材表面缺陷目标检测模型yolov8-st的改进过程包括：
4.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于，所述c2f_msblock模块包括：
5.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于，轻量级上采样算子carafe包括：
6.如权利要求1所述的一种基于改进yolov8的钢材表面缺陷目标检测方法，其特征在于，wise-inner-shapeiou包括：保留wiseiou的部分权重，将inneiou和shapeiou计算的得分相加并归一化，将得到的损失值乘以wiseiou的权重，构成全新的wise-inner-shapeiou。
