231014：钢材缺陷目标检测+图像处理文献（1）

Mr_malongyu

已于 2023-10-15 15:01:24 修改

阅读量253

点赞数

分类专栏：每周汇报文章标签： python

于 2023-10-14 14:42:09 首次发布

本文链接：https://blog.csdn.net/mr_malongyu/article/details/133823934

版权

每周汇报专栏收录该内容

2 篇文章 0 订阅

订阅专栏

一、表面钢材检测的目标检测算法研究

课程要求：使用NEU-DET数据集，共计1800张图像，设计要求尽可能提高各种缺陷的检测精度。

数据格式转换

将xml文件转为yolo的txt格式，并确认不同种类缺陷数量，名称。在本项目中，存在缺陷有6种：[‘crazing’, ‘patches’, ‘inclusion’, ‘pitted_surface’, ‘rolled-in_scale’, ‘scratches’]。

下面为xml转yolo的一个例程（非原创）。

# xml2yolo
# Dataset Classes:['holothurian', 'echinus', 'starfish', 'scallop', 'waterweeds']

import xml.etree.ElementTree as ET
import os, cv2
import numpy as np
from os import listdir
from os.path import join

classes = []


def convert(size, box):
    dw = 1. / (size[0])
    dh = 1. / (size[1])
    x = (box[0] + box[1]) / 2.0 - 1
    y = (box[2] + box[3]) / 2.0 - 1
    w = box[1] - box[0]
    h = box[3] - box[2]
    x = x * dw
    w = w * dw
    y = y * dh
    h = h * dh
    return (x, y, w, h)


def convert_annotation(xmlpath, xmlname):
    with open(xmlpath, "r", encoding='utf-8') as in_file:
        txtname = xmlname[:-4] + '.txt'
        txtfile = os.path.join(txtpath, txtname)
        tree = ET.parse(in_file)
        root = tree.getroot()
        filename = root.find('filename')
        img = cv2.imdecode(np.fromfile('{}/{}.{}'.format(imgpath, xmlname[:-4], postfix), np.uint8), cv2.IMREAD_COLOR)
        h, w = img.shape[:2]
        res = []
        for obj in root.iter('object'):
            try:
                difficult = obj.find('difficult').text
            except:
                difficult = 0
            cls = obj.find('name').text
            if cls not in classes:
                classes.append(cls)
            cls_id = classes.index(cls)
            xmlbox = obj.find('bndbox')
            b = (float(xmlbox.find('xmin').text), float(xmlbox.find('xmax').text), float(xmlbox.find('ymin').text),
                 float(xmlbox.find('ymax').text))
            bb = convert((w, h), b)
            res.append(str(cls_id) + " " + " ".join([str(a) for a in bb]))
        if len(res) != 0:
            with open(txtfile, 'w+') as f:
                f.write('\n'.join(res))


if __name__ == "__main__":
    postfix = 'jpg'
    imgpath = 'E:/DATA_MV/NEU-DET/IMAGES'
    xmlpath = 'E:/DATA_MV/NEU-DET/ANNOTATIONS'
    txtpath = 'E:/DATA_MV/NEU-DET/txt'

    if not os.path.exists(txtpath):
        os.makedirs(txtpath, exist_ok=True)

    list = os.listdir(xmlpath)
    error_file_list = []
    for i in range(0, len(list)):
        try:
            path = os.path.join(xmlpath, list[i])
            FLAG = '.xml' in path
            if ('.xml' in path) or ('.XML' in path):
                convert_annotation(path, list[i])
                print(f'file {list[i]} convert success.')
            else:
                print(f'file {list[i]} is not xml format.')
        except Exception as e:
            print(f'file {list[i]} convert error.')
            print(f'error message:\n{e}')
            error_file_list.append(list[i])
    print(f'this file convert failure\n{error_file_list}')
    print(f'Dataset Classes:{classes}')

yolo目标检测精度测试

笔者计划在yoloV3、yoloV5、yoloV7、yoloV8等具有代表性的yolo模型上测试一下数据精度。考虑到实际部署的要求，拟采用yoloV3-tiny、yoloV5s、yoloV7-tiny、yoloV8n四个模型进行测试，并比较结果。在测试中，考虑到数据集的特征，笔者将数据集按照train:val:test=7:1:2的格式进行了随机划分。
此外，尽管yoloV8中已经对过去的yolo版本进行了兼容，但是如果需要修改网络结构，将每个版本源码重新整理仍然是一件有必要的事情。考虑到官网的yoloV8除目标检测外，还有其他笔者不需要的功能，故对yoloV8进行了整理。仅保留了yoloV8中目标检测相关任务，并使yoloV8在python3.7环境下可顺利运行。
~~yoloV8可以实现几行代码完成训练测试，但是需要将相关库安装至自己对应的虚拟环境中，但一般不修改库文件~~