本发明涉及图像缺陷检测，尤其涉及一种基于yolov8的钢材表面缺陷检测方法及系统。
背景技术：
1、金属制品的表面缺陷会影响制品的可靠性和寿命，传统的人工检查方法通常耗时、劳动密集且主观性较强，无法满足高效率和大规模生产的需求。另外，人眼识别的准确度也受到人员疲劳和主观判断的影响。视觉检测系统虽然能够提高检测效率，但对于复杂的表面缺陷和多样化的金属制品，其泛化能力和准确性仍然存在挑战，而对于现有的基于深度学习的目标检测算法yolo算法，需要严格的数据采集条件和针对不同缺陷设定的精确阈值，若是在干扰环境严重条件下难以提取图像的缺陷尺度变化纹理特征，这不仅限定了应用场景，而且还降低了图像缺陷检测的准确率。
技术实现思路
1、为了解决上述技术问题，本发明的目的是提供一种基于yolov8的钢材表面缺陷检测方法及系统，能够在保持相同感知野的同时提高图像处理的速度以及更好的提取图像的缺陷尺度变化纹理特征，从而提高图像缺陷检测的准确率。
2、本发明所采用的第一技术方案是：一种基于yolov8的钢材表面缺陷检测方法，包括以下步骤：
3、获取待处理的钢材表面缺陷图像数据集并进行数据预处理，得到钢材表面缺陷图像数据集；
4、引入改进的sppfcspc模块与gam模块，构建yolov8_sg缺陷检测模型；
5、基于yolov8_sg缺陷检测模型对钢材表面缺陷图像数据集进行缺陷检测处理，得到钢材表面缺陷检测结果。
6、进一步，所述获取待处理的钢材表面缺陷图像数据集并进行数据预处理，得到钢材表面缺陷图像数据集这一步骤，其具体包括：
7、获取待处理的钢材表面缺陷图像数据集；
8、对待处理的钢材表面缺陷图像数据集进行随机噪声增加处理，得到初步的钢材表面缺陷图像数据集；
9、对初步的钢材表面缺陷图像数据集进行色调、曝光度与对比度调节处理，得到钢材表面缺陷图像数据集。
10、进一步，所述yolov8_sg缺陷检测模型具体包括主干网络模块、颈部模块和预测模块，所述主干网络模块的输出端与所述颈部模块的输入端连接，所述颈部模块的输出端与所述预测模块的输入端连接，其中：
11、所述主干网络模块包括cbs模块、c2f模块、gam模块与改进的sppfcspc模块；
12、所述颈部模块包括fpn层和pan层；
13、所述预测模块包括卷积层。
14、进一步，所述改进的sppfcspc模块具体包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一最大池化层、第二最大池化层、第三最大池化层、第一连接层和第二连接层，其中，所述第一卷积层的输出端与所述第二卷积层输入端连接，所述第二卷积层的输出端与所述第三卷积层的输入端连接，所述第三卷积层的第一输出端与所述第一连接层的第一输入端连接，所述第三卷积层的第二输出端与所述第一最大池化层的输入端连接，所述第一最大池化层的第一输出端与所述第二最大池化层的输入端连接，所述第一最大池化层的第二输出端与所述第一连接层的第二输入端连接，所述第二最大池化层的第一输出端与所述第三最大池化层的输入端连接，所述第二最大池化层的第二输出端与所述第一连接层的第三输入端连接，所述第三最大池化层的输出端与所述第一连接层的第四输入端连接，所述第一连接层的输出端与所述第四卷积层的输入端连接，所述第四卷积层的输出端与所述第五卷积层的输入端连接，所述第五卷积层的输出端与所述第二连接层的第一输入端连接，所述第六卷积层的输出端与所述第二连接层的第二输入端连接，所述第二连接层的输出端与所述第七卷积层的输入端连接。
15、进一步，所述基于yolov8_sg缺陷检测模型对钢材表面缺陷图像数据集进行缺陷检测处理，得到钢材表面缺陷检测结果这一步骤，其具体包括：
16、将钢材表面缺陷图像数据集输入至yolov8_sg缺陷检测模型；
17、基于yolov8_sg缺陷检测模型的主干网络模块，对钢材表面缺陷图像数据集进行特征提取处理，得到钢材表面缺陷特征图像数据集；
18、基于yolov8_sg缺陷检测模型的颈部模块，对钢材表面缺陷特征图像数据集进行特征融合处理，得到融合后的钢材表面缺陷特征图像数据集；
19、基于yolov8_sg缺陷检测模型的预测模块，对融合后的钢材表面缺陷特征图像数据集进行特征筛选处理，得到钢材表面缺陷检测结果。
20、进一步，所述基于yolov8_sg缺陷检测模型的主干网络模块，对钢材表面缺陷图像数据集进行特征提取处理，得到钢材表面缺陷特征图像数据集这一步骤，其具体包括：
21、将钢材表面缺陷图像数据集输入至yolov8_sg缺陷检测模型的主干网络模块；
22、基于主干网络模块的cbs模块，对钢材表面缺陷图像数据集进行切片卷积计算处理，得到切片后的钢材表面缺陷图像数据集；
23、基于主干网络模块的c2f模块，对切片后的钢材表面缺陷图像数据集进行降维处理，得到降维后的钢材表面缺陷图像数据集；
24、基于主干网络模块的gam模块，对降维后的钢材表面缺陷图像数据集进行挤压与激励操作处理，得到具有全局特征的钢材表面缺陷图像数据集；
25、基于主干网络模块的改进的sppfcspc模块，对具有全局特征的钢材表面缺陷图像数据集进行空间金字塔池化和通道压缩操作，得到钢材表面缺陷特征图像数据集。
26、进一步，所述基于主干网络模块的改进的sppfcspc模块，对具有全局特征的钢材表面缺陷图像数据集进行空间金字塔池化和通道压缩操作，得到钢材表面缺陷特征图像数据集这一步骤，其具体包括：
27、将具有全局特征的钢材表面缺陷图像数据集输入至主干网络模块的改进的sppfcspc模块；
28、基于改进的sppfcspc模块的第一卷积层、改进的sppfcspc模块的第二卷积层和改进的sppfcspc模块的第三卷积层，对具有全局特征的钢材表面缺陷图像数据集依次进行卷积计算处理，得到第一钢材表面缺陷特征图像数据集；
29、基于改进的sppfcspc模块的第一最大池化层，对第一钢材表面缺陷特征图像数据集进行最大池化处理，得到第二钢材表面缺陷特征图像数据集；
30、基于改进的sppfcspc模块的第二最大池化层，对第二钢材表面缺陷特征图像数据集进行最大池化处理，得到第三钢材表面缺陷特征图像数据集；
31、基于改进的sppfcspc模块的第三最大池化层，对第三钢材表面缺陷特征图像数据集进行最大池化处理，得到第四钢材表面缺陷特征图像数据集；
32、基于改进的sppfcspc模块的第一连接层，将第一钢材表面缺陷特征图像数据集、第二钢材表面缺陷特征图像数据集、第三钢材表面缺陷特征图像数据集和第四钢材表面缺陷特征图像数据集进行连接处理，得到第五钢材表面缺陷特征图像数据集；
33、基于改进的sppfcspc模块的第四卷积层和基于改进的sppfcspc模块的第五卷积层，对第五钢材表面缺陷特征图像数据集进行卷积计算处理，得到第六钢材表面缺陷特征图像数据集；
34、基于改进的sppfcspc模块的第六卷积层，对具有全局特征的钢材表面缺陷图像数据集进行卷积计算处理，得到第七钢材表面缺陷特征图像数据集；
35、基于改进的sppfcspc模块的第二连接层，将第六钢材表面缺陷特征图像数据集和第七钢材表面缺陷特征图像数据集进行连接处理，得到第八钢材表面缺陷特征图像数据集；
36、基于改进的sppfcspc模块的第七卷积层，对第八钢材表面缺陷特征图像数据集进行卷积计算处理，得到钢材表面缺陷特征图像数据集。
37、本发明所采用的第二技术方案是：一种基于yolov8的钢材表面缺陷检测系统，包括：
38、获取模块，用于获取待处理的钢材表面缺陷图像数据集并进行数据预处理，得到钢材表面缺陷图像数据集；
39、构建模块，用于引入改进的sppfcspc模块与gam模块，构建yolov8_sg缺陷检测模型；
40、检测模块，用于基于yolov8_sg缺陷检测模型对钢材表面缺陷图像数据集进行缺陷检测处理，得到钢材表面缺陷检测结果。
41、本发明方法及系统的有益效果是：本发明通过获取待处理的钢材表面缺陷图像数据集并进行数据预处理，进而引入改进的sppfcspc模块与gam模块，构建yolov8_sg缺陷检测模型，其中改进的sppfcspc模块将原始的sppcspc模块的并行最大池化改为串行最大池化，能够在保持相同感知野的同时提高图像处理的速度，引入gam模块，能够更加注重对于图像全局注意力特征的提取，进而更加关注图像的缺陷尺度变化纹理特征，从而提高图像缺陷检测的准确率。
1.一种基于yolov8的钢材表面缺陷检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述一种基于yolov8的钢材表面缺陷检测方法，其特征在于，所述获取待处理的钢材表面缺陷图像数据集并进行数据预处理，得到钢材表面缺陷图像数据集这一步骤，其具体包括：
3.根据权利要求2所述一种基于yolov8的钢材表面缺陷检测方法，其特征在于，所述yolov8_sg缺陷检测模型具体包括主干网络模块、颈部模块和预测模块，所述主干网络模块的输出端与所述颈部模块的输入端连接，所述颈部模块的输出端与所述预测模块的输入端连接，其中：
4.根据权利要求3所述一种基于yolov8的钢材表面缺陷检测方法，其特征在于，所述改进的sppfcspc模块具体包括第一卷积层、第二卷积层、第三卷积层、第四卷积层、第五卷积层、第六卷积层、第七卷积层、第一最大池化层、第二最大池化层、第三最大池化层、第一连接层和第二连接层，其中，所述第一卷积层的输出端与所述第二卷积层输入端连接，所述第二卷积层的输出端与所述第三卷积层的输入端连接，所述第三卷积层的第一输出端与所述第一连接层的第一输入端连接，所述第三卷积层的第二输出端与所述第一最大池化层的输入端连接，所述第一最大池化层的第一输出端与所述第二最大池化层的输入端连接，所述第一最大池化层的第二输出端与所述第一连接层的第二输入端连接，所述第二最大池化层的第一输出端与所述第三最大池化层的输入端连接，所述第二最大池化层的第二输出端与所述第一连接层的第三输入端连接，所述第三最大池化层的输出端与所述第一连接层的第四输入端连接，所述第一连接层的输出端与所述第四卷积层的输入端连接，所述第四卷积层的输出端与所述第五卷积层的输入端连接，所述第五卷积层的输出端与所述第二连接层的第一输入端连接，所述第六卷积层的输出端与所述第二连接层的第二输入端连接，所述第二连接层的输出端与所述第七卷积层的输入端连接。
5.根据权利要求4所述一种基于yolov8的钢材表面缺陷检测方法，其特征在于，所述基于yolov8_sg缺陷检测模型对钢材表面缺陷图像数据集进行缺陷检测处理，得到钢材表面缺陷检测结果这一步骤，其具体包括：
6.根据权利要求5所述一种基于yolov8的钢材表面缺陷检测方法，其特征在于，所述基于yolov8_sg缺陷检测模型的主干网络模块，对钢材表面缺陷图像数据集进行特征提取处理，得到钢材表面缺陷特征图像数据集这一步骤，其具体包括：
7.根据权利要求6所述一种基于yolov8的钢材表面缺陷检测方法，其特征在于，所述基于主干网络模块的改进的sppfcspc模块，对具有全局特征的钢材表面缺陷图像数据集进行空间金字塔池化和通道压缩操作，得到钢材表面缺陷特征图像数据集这一步骤，其具体包括：
8.一种基于yolov8的钢材表面缺陷检测系统，其特征在于，包括以下模块：
