(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211312517.5 (22)申请日 2022.10.25 (71)申请人 淮阴工学院 地址 223000 江苏省淮安市经济技 术开发 区枚乘东路1号 (72)发明人 周泓　李国豪　艾米尔　肖绍章　 王志强　韩云鹏　刘青松　严虹　 廖阳阳　 (74)专利代理 机构 淮安市科文知识产权事务所 32223 专利代理师 邹文玉 (51)Int.Cl. G01N 21/01(2006.01) G01N 21/95(2006.01) G06N 3/04(2006.01)G06N 3/08(2006.01) (54)发明名称 一种用于检测钢材表面缺陷的装置及其方 法 (57)摘要 一种用于检测钢材表面缺陷的装置及其方 法,所述用于检测钢材表面缺陷的装置包括树莓 派、 人工智能加速器、 集线器扩展板、 微型USB连 接器、 Ardu ino开发板、 LCD扩展板、 显示屏、 摇杆、 按键、 5MP相机、 SD卡、 不间断电源扩展板和可充 电电池； 所述树莓派中设有多个开发框架和软 件， 包括ROS、 OpenCV、 Arduino  IDE、 Python以及 各种硬件所需要的包和软件库； 采用改进的钢材 表面缺陷检测模型进行检测， 修改损失函数， 引 入极轻量的通道注意力机制， 提高了钢材表面缺 陷的检测精度。 本发明中用于检测钢材表面缺陷 的装置集 成了多个不同的硬件与软件， 各个部件 之间可通过无线网络进行信号传输， 起到信息交 互的效果， 无需复杂的布线； 就可 以实现与其他 装置设备进行搭配使用。 权利要求书2页 说明书8页 附图2页 CN 115508285 A 2022.12.23 CN 115508285 A 1.一种用于检测钢材表面缺陷的装置， 其特征在于： 包括树莓派、 人工智能加速器、 集 线器扩展板、 微型USB连接器、 Arduino开发板、 LCD扩展板、 显示屏、 摇杆、 按键、 5MP相机、 存 储卡、 不间断电源 扩展板和可充电 电池； 所述的人工智能加速器和Arduino开发板通过微型USB 连接器与 集线器扩展板相连， 所 述的显示屏、 摇杆和按键安装在LCD扩展板上， LCD扩展板通过输入/输出端口与集线器扩展 板相连， 所述的集线器扩展板通过输入/ 输出端口和微型USB连接器与树莓派相连； 所述可充电电池安装在不间断电源扩展板上， 不间断电源扩展板通过输入/输出端口 与树莓派直接相连； 所述5MP相机通过CSI ‑2接口直接与述树莓派相连， 用于钢材表面缺陷影像数据的采 集； 所述的树莓派中设有多个开发框架和软件， 包括ROS、 OpenCV、 Arduino  IDE、 Python以 及各种硬件所需要的包和软件库。 2.根据权利要求1所述的一种用于检测钢材表面缺陷的装置， 其特征在于： 所述人工智 能加速器采用的是神经网络计算棒， 神经网络计算棒用于将获取的钢材缺陷影像数据输入 值预设的钢材表面缺陷检测模型中， 得到钢材表 面缺陷检测模型输出钢材表面缺陷检测结 果， 并向树莓派发送图像 检测结果。 3.根据权利要求2所述的一种用于检测钢材表面缺陷的装置， 其特征在于： 所述神经网 络计算棒包括模型优化器和推理引擎； 所述模型优化器用于将预设的钢材表面缺陷检测模 型转换为推理引擎可识别的中间文件； 所述推理引擎用于运行模型优化器发送的中间文件 以对树莓派发送的钢材表面缺陷影像进行图像识别， 并向树莓派发送钢材表面缺陷检测结 果。 4.根据权利要求1所述的一种用于检测钢材表面缺陷的装置， 其特征在于： 所述存储卡 放置在树莓派的内置卡槽中， 用于存储树莓派系统文件以及钢材表面缺陷检测模型所需要 的软件包和钢材表面检测影 像数据。 5.根据权利要求1所述的一种用于检测钢材表面缺陷的装置， 其特征在于： 所述树莓派 采用的是Zero  2W， 通过VNC与远程电脑连接， 远程显示钢材表面 缺陷检测模型的检测结果。 6.根据权利要求1所述的一种用于检测钢材表面缺陷的装置， 其特征在于： 所述显示采 用LCD显示屏， LCD显示屏用于 显示钢材表面 缺陷检测模型的检测结果。 7.根据权利要求1所述的一种用于检测钢材表面缺陷的装置， 其特征在于： 所述 Arduino开发板采用的是A rduino Nano 33BLE Sense开发板 。 8.一种融合通道注意力机制的钢材表面缺陷检测算法， 可使用于权利要求1 ‑7任一项 所述的一种用于检测钢材表面 缺陷的装置， 其特 征在于， 包括以下步骤： S1： 采用YOLOX结构作为主干网络， 检测算法模型使用Pytorch框架进行训练， 对缺陷区 域进行特征提取； S2： 引入通道注意力机制， 自适应地对缺陷重要特征信 息进行加权强化， 对不重要的缺 陷特征信息进行抑制； S3： 修改YOLOX模型中定位损失函数以及置信度预测损失函数， 将原来的IoU损失替换 为α‑IoU损失， 将二元交叉熵损失函数替换为VariFocalLoss损失函数， 使小目标获得相对 比较大的损失值， 提高对小目标的预测能力；权　利　要　求　书 1/2 页 2 CN 115508285 A 2所述的α‑IoU是基于IoU的现有损失的统一幂化， IoU和α ‑IoU损失函数的计算公式如 下： LossIoU＝1‑IoU； 公式中A代表检测框,B代表真实框,A∩B代表A与B的交集面积,A∪B代表A与B的并集面 积； 当预测框与真实框不相交的时候， IoU结果为0， 损失值也为0， 不能进行下一步的训练， 网络权值无法更新， 模型不能收敛到全局最优； α‑IoU损失可以显著地超过现有的基于IoU的损失， 通过调节α， 使检测器在实现不同水 平的bbox回归精度方面具有更 大的灵活性； 对小数据集和噪声的鲁棒 性更强； 当α ＝2时， 它加速了在AP50时对所有正向IoU目标的学习， 然而， 实证研究表明， 在 大多 数情况下， α ＝3的α ‑IoU损失比α ＝2的α ‑IoU损失更 具竞争力。 9.根据权利要求1所述的一种融合通道注意力机制的钢材表面缺陷检测算法， 其特征 在于： 步骤S3所述的VariFocal Loss损失函数定义如下： 其中， p是预测的IACS得分， q是目标IoU分数； 对于训练中的正样本， 将q设置为生成的 bbox和gt box之间的I oU(gt IoU)， 而对于训练中的负 样本， 所有类别的训练目标q均为0； VariFocalLoss损失函数使用一个超参数来控制模型对小 目标的偏向程度， 让小 目标 获得相对比较大的损失值， 使模型会偏向于提高自身对小目标的预测能力。 10.根据权利要求1所述的一种融合通道注意力机制的钢材表面缺陷检测算法， 其特征 在于： 步骤S2所述的通道与 注意力权重会直接对应， 通过分组卷积实现跨通道交互， 根据 注 意力权重大小对特征信息进行增强或抑制， 提高模型对有用信息的利用程度； 图像通过主 干特征提取网络后， 会生成三种不同尺度的特 征图； 引入通道 注意力机制包括如下步骤： A： 首先将输入的特 征图先进性全局平均池化的操作； B： 通过1×1卷积的卷积核大小为 k的卷积实现局部跨 通道交互学习； C： 通过sigmo id激活函数 得到每个通道的权 重； D： 对原特征图进行重校准， 将输入的特征信 息与每个通道的权重进行相乘得到某个特 定区域更强的特 征， 得到最终输出 特征图。权　利　要　求　书 2/2 页 3 CN 115508285 A 3