一种基于深度学习监督训练的金属缺陷识别方法

本发明公开一种基于深度学习监督训练的金属缺陷识别方法，该方法的数据集通过QuPath完成标注并利用单样本数据增强结合SMOTE‑DBRS制作数据增广训练集，优化对少量样本的识别率、样本多样性和平衡性，从而获得丰富的训练样本；将YOLOv10的主干网络的部分C2f模块替换为改进的P‑StarBlock模块；构建ASCDown模块用于改进YOLOv10中SCDown模块的特征下采样；改进YOLOv10网络中主干网络中的SPPF特征提取模块和极化自注意力模块；多尺度训练改进后的YOLOv10网络以完成金属缺陷识别。该方法有效增强了对于高反光场景下金属表面缺陷的目标检测能力，对于金属缺陷检测识别任务有更高的鲁棒性、识别率和准确率。