本发明涉及深度学习中的目标检测技术，具体地，涉及一种基于改进yolov8的x射线焊缝缺陷检测方法。
背景技术：
1、焊接技术在现代工业中被广泛应用，对现代工业生产非常重要，并在国内制造业中占重要战略地位。在焊接过程中，可能会尝试类似裂纹、夹渣、未熔合、未焊透和气孔等缺陷。这些缺陷会对工业生产造成影响，甚至可能会引起安全事故。因此，在焊接完成后必须进行缺陷检测。缺陷检测能识别出焊接所产生的各种缺陷，通过准确地检测到这些缺陷，从而采取修复措施。及时的缺陷检测和修复不仅有助于降低生产成本，为工业生产过程提供了保障，而且还减少了因焊接缺陷导致的事故和故障。
2、目前，焊缝内部缺陷通常使用x射线检测方法，因为其成像简单且不会损坏工件。操作人员通过观察x射线图像来判断产品是否存在缺陷。为了确保产品的零缺陷质量，所有焊缝及热影响区的x射线图像都需要进行评定。随着新型焊接技术的应用和焊缝工艺、焊接装备的改进，焊缝内部缺陷率逐渐降低。然而，人工评定过程中，大部分时间都花在查看无缺陷图像上，导致操作人员劳动强度大、效率低。
3、因此，迫切需要计算机辅助技术来智能检测大批量焊缝的x射线图像，辅助人工进行复评复查，以提高检测效率，减少工作量，并实现缺陷评定结果的标准化和一致性。随着人工智能的兴起，深度学习已经被广泛应用于工业焊缝缺陷检测领域。目前基于深度学习的缺陷检测算法从结构上一般可划分为两类：两阶段算法包括faster r-cnn等，一阶段算法包括ssd、yolo系列、retinanet等。两阶段算法对硬件资源的需求更高，这在资源有限的情况下可能成为瓶颈，并且两阶段算法通常无法达到实时性要求，特别是在需要高效处理的应用场景中表现不佳。yolo(you only look once)系列模型作为单阶段目标检测器，因其高效的检测速度和较高的准确性，逐渐成为焊缝缺陷检测领域的研究热点。yolov8作为yolo系列的最新版本，进一步提升了检测性能。
4、yolov8虽然在一定程度上提升了算法的性能，但是仍然存在两方面的问题：(1)算法参数量大、占用大量的计算资源，因此检测速度较慢，不能满足缺陷检测任务的实时性要求，导致其在资源有限的工业设备上难以高效运行，不能满足工业部署等问题。(2)焊缝缺陷通常在形态上差异较大(如裂纹、夹渣、气孔等)，特别是一些细小或不规则形状的缺陷，因此x射线焊缝缺陷检测目前存在漏检、错检等情况。
5、因此本技术方案选取参数量最小的yolov8n作为改进对象，提出了一种改进yolov8的焊缝缺陷检测方法来改进上述存在的问题。
技术实现思路
1、本发明的一种基于改进yolov8的x射线焊缝缺陷检测方法，具体包括如下步骤：
2、s1、获取原始x射线焊缝缺陷图像数据；
3、s2、图像预处理和数据增强；
4、s3、构建基于改进yolov8的x射线焊缝缺陷检测模型；
5、s4、训练改进后的yolov8模型；
6、s5、评估改进后的yolov8模型。
7、进一步的，步骤s1的具体步骤如下：
8、采用开封迪尔空分公司提供的x射线焊缝缺陷图像，所采集到的图像包含在焊接过程中出现的气孔、夹渣、未熔合、未焊透、裂纹五类缺陷，其中未熔合和未焊透的影像特征相似，难以区分，故将这两类缺陷合为一类缺陷进行识别。
9、进一步的，步骤s2的具体步骤如下：
10、使用加权对数变换对图像进行预处理；
11、将经过图像预处理后的图像进行旋转、添加噪声等操作对x射线焊缝图像进行处理，并扩充数据集，从而提高模型训练的泛化能力。
12、进一步的，步骤s3的具体步骤如下：
13、s31、对yolov8模型的主干部分引入ema注意力，并对ema注意力进行改进，将改进后的ema_mul添加到主干网络的c2f模块后；
14、s32、使用simsppf模块来代替yolov8原有的sppf模块，并在simsppf模型上做进一步改进，将改进后的模型命名为simsppf_avg；
15、s33、对yolov8模型的颈部引入dualconv来改进c2f，提出一种轻量化的c2f，构成c2f_dualconv模块，将yolov8n颈部的c2f全部替换为c2f_dual；
16、s34、使用wiou损失函数来替换yolov8模型原有的ciou损失函数，wiou损失函数的公式如下：
17、lwiou＝rwiouliou；
18、
19、其中lwiou表示wiou损失函数，rwiou表示wiou的调整因子，liou表示iou损失函数，x2和y2是预测框的中心坐标，xgt和ygt是真实框的中心坐标，wgt和hgt分别是真实框的宽度和高度。
20、进一步的，步骤s4的具体步骤如下：
21、s41、把数据集按照7：1.5：1.5的比例分别生成训练集、验证集和测试集，训练集、验证集、测试集的图像分别为1610张、345张和345张；实验的平台是基于64位的windows11操作系统，内存为24gb，硬件配置：cpu为18vcpu,amd epyc 9754；gpu为nvidia rtx 4090，编译环境为python3.10+pytorch 2.1.0+cuda 12.1；
22、s42、实验相关参数设置如下，将初始学习率设置为0.0001，批量大小设置为16，优化器为adamw，实验训练的轮数设置为300，输入图像尺寸为640×640。
23、有益效果
24、本发明提出的一种基于改进yolov8的x射线焊缝缺陷检测方法，与现有技术相比，具有以下优势：
25、本发明在yolov8的基础上，将改进的ema_mul注意力引入主干网络，帮助网络更好地捕捉不同大小的焊缝缺陷特征；应用本发明提出的simsppf_avg模块，减少了背景信息对焊缝缺陷检测的干扰；同时，为了改善普通卷积带来的高参数量和计算量，引入dual卷积并改进c2f提出c2f_dual，实现了模型的轻量化；使用wiou来优化损失函数，提高模型的泛化能力，最终改进后的模型与原yolov8模型相比，在提升精度的同时降低了模型的参数量，能够满足实际工业中x射线焊缝缺陷检测的实时性要求。
1.一种基于改进yolov8的x射线焊缝缺陷检测方法，所述方法包括以下步骤：
2.根据权利要求1所述的一种基于改进yolov8的x射线焊缝缺陷检测方法，其特征在于：步骤s1构建x射线焊缝缺陷图像数据集的具体步骤如下：
3.根据权利要求1所述的一种基于改进yolov8的x射线焊缝缺陷检测方法，其特征在于：步骤s2中对图像预处理和数据增强的步骤为：
4.根据权利要求1所述的一种基于改进yolov8的x射线焊缝缺陷检测方法，其特征在于，步骤s3构建基于改进yolov8的x射线焊缝缺陷检测模型具体步骤如下：
5.根据权利要求4所述的基于改进yolov8的x射线焊缝缺陷检测模型，其特征在于：在步骤s31中，所述的ema_mul模块所做的改进分为两个方面：(1)将3×3的卷积核替换为5×5的卷积核，以扩大感受野，从而捕捉到更大的空间范围内的特征；(2)将3×3卷积后的平均池化操作改为使用不同大小的池化核(2x2,4x4,6x6,8x8)对输入特征图进行池化操作；这样可以通过多尺度池化进一步丰富特征图的多尺度信息，提高模型对不同尺寸缺陷的检测能力，通过这些改进，ema_mul模块能够更有效地结合多尺度特征，提高模型在x射线焊缝缺陷检测任务中的性能。
6.根据权利要求4所述的基于改进yolov8的x射线焊缝缺陷检测模型，其特征在于：在步骤s32中，所述的simsppf_avg模型结构如下：将输入分为四个部分，一部分串联三个尺寸为5x5的最大池化层(maxpool2d)；通过串联三个最大池化层处理输入特征图；第二部分和第三部分分别通过自适应最大池化层和自适应平均池化层(adaptiveavgpool2d)处理输入特征图；第四部分是经过simconv处理；将这四部分通过concat层将它们连接起来进行融合，生成固定尺寸的特征。
7.根据权利要求4所述的基于改进yolov8的x射线焊缝缺陷检测模型，其特征在于：在步骤s34中，使用wiou损失函数，wiou损失函数的公式如下：
8.根据权利要求1所述的一种基于改进yolov8的x射线焊缝缺陷检测方法，其特征在于：步骤s4所述的对改进后的yolov8模型进行训练，具体步骤如下：
