本發(fā)明涉及深度學習，具體的是基于wgoa-hho改進yolov8的焊縫缺陷檢測方法及系統(tǒng)。

背景技術：

1、焊縫連接是很多結構的關鍵部分，直接關系到整體結構的強度和穩(wěn)定性。質量不合格的焊縫可能導致結構故障，增加安全隱患，尤其是在涉及高載荷和高應力的行業(yè)中，如、建筑物、管道、交通工具等。常見的焊縫缺陷檢測方法如超聲波檢測等方法通常依賴人工操作，容易受到人類疲勞、主觀判斷差異等因素的影響，存在漏檢鳳霞。而深度學習可以實現自動化實時檢測，消除人為誤差，提升檢測精度和一致性。

2、在使用深度學習對數據集進行學習訓練過程前，必須合理設置超參數。超參數是深度學習模型中不可通過訓練數據直接學習的參數，其往往是人為地在模型訓練之前設置就設置好的參數，這些參數往往決定了模型的訓練和推理性能。yolov8包含許多超參數，設置合理的超參數能夠提升模型的準確性、收斂速度以及整體表現。在實際應用中，通常需要通過實驗手動地調優(yōu)超參數，找到適合具體任務的最佳配置。因此，如何自適應調整超參數也成為了一道難題。

技術實現思路

1、為解決上述背景技術中提到的不足，本發(fā)明的目的在于提供基于wgoa-hho改進yolov8的焊縫缺陷檢測方法及系統(tǒng)。

2、第一方面，本發(fā)明的目的可以通過以下技術方案實現：基于wgoa-hho改進yolov8的焊縫缺陷檢測方法，方法包括以下步驟：

3、接收焊縫圖像數據集，使用canny邊緣檢測算法對焊縫圖像數據集進行預處理，得到預處理后的焊縫圖像數據集；

4、將預處理后的焊縫圖像數據集輸入至預先建立的yolov8焊縫缺陷檢測模型內進行訓練，并基于wgoa-hho優(yōu)化算法，輸出得到improved-yolov8模型；

5、獲取待檢測焊縫圖像，將待檢測焊縫圖像輸入至improved-yolov8模型內，輸出得到焊縫缺陷檢測結果圖像。

6、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述使用canny邊緣檢測算法對焊縫圖像數據集進行預處理的過程包括：高斯濾波、計算圖像梯度、非極大值抑制、雙閾值檢測以及邊緣連接與滯后閾值。

7、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述高斯濾波的過程：

8、高斯濾波的公式為：

9、

10、其中：g(x,y)是高斯函數，表示在(x,y)位置的高斯值；是標準差；

11、計算圖像梯度通過用sobel算子計算水平方向和垂直方向的梯度；

12、雙閾值檢測通過設定兩個閾值thigh和tlow：

13、若某個像素的梯度幅值g≥thigh，則像素被認為是強邊緣；

14、若tlow≤g＜thigh，則像素被認為是弱邊緣；

15、若g＜thigh，則像素被認為是非邊緣。

16、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述wgoa-hho優(yōu)化算法的步驟包括：wgoa全局搜索階段、hho捕食階段以及構建wgoa-hho的雙向優(yōu)化算法階段。

17、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述wgoa全局搜索階段過程如下：

18、首先確定需要優(yōu)化的超參數及其取值范圍，超參數數目記為m；

19、初始化wgoa的參數：大雁群數n，當前迭代次數t1，最大迭代次數t1；

20、隨機生成n個的大雁位置，每個位置對應一組超參數組合，則大雁的位置矩陣表示為：

21、

22、將每只大雁的超參數組合應用到y(tǒng)olov8模型中進行訓練，評估在驗證集上的表現，計算其適應度值；則n只大雁的適應度表示為一個長度為n的向量：

23、f＝[f1,f2,f3…fn]

24、每輪迭代后，wgoa優(yōu)化算法會在大雁群中選出適應度最好的大雁，這只大雁的位置代表當前最優(yōu)的超參數組合，其余大雁則根據特定的更新規(guī)則調整它們的位置；更新過程的核心在于將每只大雁的位置逐步移到更優(yōu)的位置；

25、設：

26、為第i只大雁更新后的位置，作為新的超參數組合；

27、為第i只大雁更新前的位置，作為當前的超參數組合；

28、大雁群優(yōu)化算法包括兩個更新規(guī)則：

29、規(guī)則1：跟隨領頭雁

30、一旦領頭雁被確定，其余的大雁都會向領導大雁的超參數組合靠攏，模擬群體跟隨行為更新自己的位置，在超參數空間中，大雁會向最優(yōu)超參數組合移動，同時保留隨機擾動，更新公式為：

31、

32、其中：

33、xleader是領頭雁的位置；α是控制跟隨領頭雁的權重，β是控制隨機擾動的權重；randn()是標準正態(tài)分布隨機數，；

34、規(guī)則2：群體行為

35、行為形式包括兩個核心部分：相互吸引和保持距離；

36、距離保持：在群體行為中，大雁會保持一定的距離以防止個體過度集中，數學表達式為：

37、

38、其中：λ是距離保持的權重，控制排斥力的強度；δij是與鄰居i的距離度量因子，根據歐氏距離定義；

39、排斥力的防止個體過于集中；

40、相互吸引的數學表達式為：

41、

42、其中：

43、xj是第j只大雁的超參數組合，它屬于第i只大雁的鄰居集合n(i)；

44、γij是權重因子；

45、將跟隨領導大雁的行為與群體影響結合，得到完整的群體行為綜合公式：

46、

47、式中表示跟隨領導大雁的行為；βgrandn()是隨機性；是鄰居的吸引力；是排斥力；

48、在每輪迭代中，記錄當前最優(yōu)適應度值和對應的超參數組合。

49、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述hho捕食階段過程如下：

50、初始化hho的參數：哈里斯鷹群數k，當前迭代次數t2，最大迭代次數t2；根據獵物位置，初始化哈里斯鷹的位置

51、xinit_hunter＝xtarget

52、其中：xtarget是獵物的位置；xinit_hunter是哈里斯鷹初始位置；

53、在獵物附近加入微小的隨機擾動，生成k個鷹的初始位置，即：

54、xinit_eagle＝xtarget+ηgrandn()

55、其中：

56、η是常數；randn()是標準正態(tài)分布隨機數；

57、哈里斯鷹群中的每只鷹都會根據大雁的能量e(t)和逃脫概率p，對4種捕食策略進行合理選擇，獵物的能量e(t)隨迭代次數逐漸衰減，模擬獵物在逃脫過程中的體力耗盡，隨著迭代次數增加，獵物的能量減少，逃脫能力變弱，哈里斯鷹更容易進行捕捉；

58、獵物能量的定義為：

59、

60、其中e0為隨機數且e0∈[-1,1]；

61、獵物的逃脫概率p為隨機數且p∈[0,1]，當p＜0.5時，獵物逃脫成功，當p≥0.5時，獵物逃脫失??；

62、對4種捕食策略進行合理選擇，具體如下：

63、策略1、軟圍攻

64、當e(t)≥0.5,p≥0.5時，哈里斯鷹會選擇盤旋來消耗獵物的能量，然后在最佳位置抓捕獵物，位置更新公式如下：

65、xnew＝xtarget-e(t)g|jgxtarget-xeagel|

66、其中：xnew是哈里斯鷹的新位置；xtarget是獵物的當前位置；xeagel是哈里斯鷹的當前位置；j是隨機常數且j∈[0,1]；

67、策略2、硬圍攻

68、當e(t)＜0.5,p≥0.5時，哈里斯鷹會選擇迅速出擊，位置更新公式如下：

69、xnew＝xtarget-e(t)g|xtarget-xeagel|

70、策略3、俯沖軟圍攻

71、當e(t)≥0.5,p＜0.5時，哈里斯鷹通過加入俯沖捕獵的行為：levy飛行公式；哈里斯鷹在逐步逼近獵物的同時進行俯沖，利用不規(guī)則的俯沖路線迷惑獵物，增加捕獲成功的機會；位置更新公式如下：

72、xnew＝xtarget-e(t)g|jgxtarget-xeagel|

73、xnew＝xnew+sgl(m)

74、其中：

75、l(m)是levy萊維飛行公式，m為哈里斯鷹位置的維度，即超參數個數；

76、s是m維隨機行向量，即s＝[s1,s2…,sm]，s中每個元素都符合均值為0，方差為1的標準正態(tài)分布；

77、策略4、俯沖硬圍攻

78、當e(t)＜0.5,p＜0.5時，此時老鷹對獵物進行局部搜索和開發(fā)，快速捕獲獵物，位置更新公式如下：

79、xnew＝xtarget-e(t)g|xtarget-xeagel|

80、xnew＝xnew+sgl(m)

81、levy萊維飛行公式如下：

82、

83、

84、其中：

85、u和v都是服從標準正態(tài)分布的隨機數；τ是levy分布的控制參數；σ是levy分布的縮放因子；

86、通過不斷迭代，哈里斯鷹群中適應度值最高的哈里斯鷹為最優(yōu)超參數組合。

87、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述構建wgoa-hho的雙向優(yōu)化算法階段過程如下：

88、初始階段：wgoa主導，hho輔助：

89、首先對總數n只大雁中的每只大雁計算適應度值，適應度值最高的大雁為領頭雁xleader，適應度值最低的大雁為xworst；

90、在wgoa進行全局搜索的過程中，hho輔助捕獵會基于phho概率觸發(fā)；

91、當hho輔助捕獵觸發(fā)后，hho會將當前中的領頭雁視為獵物，并根據哈里斯鷹的4個策略進行更新位置，更新后的位置標記為xchange；

92、重復步驟，持續(xù)迭代優(yōu)化，直至達到終止條件；

93、動態(tài)切換控制：

94、每次迭代后，判斷群體多樣性是否低于設定的閾值，如果多樣性計算值小于閾值，則觸發(fā)后期階段，多樣性為當前迭代結果中最高適應度值與最低適應度值的差值；

95、后期階段：wgoa主導，hho輔助：

96、將最終輸出的領頭雁作為獵物，使用hho算法更新總數k只哈里斯鷹的每只哈里斯鷹的位置，并計算適應度值，適應度值最高的鷹會作為后續(xù)迭代的獵物，即xtarget；

97、在hho進行搜索過程中，wgoa輔助會基于pwgoa觸發(fā)；

98、當wgoa輔助觸發(fā)后，wgoa會將xtarget作為領頭雁，更新哈里斯鷹群中適應度值最低的k'個鷹的位置；

99、重復步驟，持續(xù)迭代優(yōu)化，直至達到終止條件。

100、結合第一方面，在第一方面的某些實現方式中，該方法還包括：所述將待檢測焊縫圖像輸入至improved-yolov8模型內，輸出得到焊縫缺陷檢測結果圖像的計算過程如下：

101、improved-yolov8在原始焊縫圖像上根據解碼后的坐標繪制預測的邊界框，邊框上顯示每個缺陷類別和對應的置信度分數，輸出包含焊縫缺陷檢測結果的圖像，焊縫缺陷檢測結果圖像顯示了模型預測出的所有缺陷位置和類別信息。

102、第二方面，為了達到上述目的，本發(fā)明公開了基于wgoa-hho改進yolov8的焊縫缺陷檢測系統(tǒng)，包括：

103、圖像處理模塊，用于接收焊縫圖像數據集，使用canny邊緣檢測算法對焊縫圖像數據集進行預處理，得到預處理后的焊縫圖像數據集；

104、模型優(yōu)化模塊，用于將預處理后的焊縫圖像數據集輸入至預先建立的yolov8焊縫缺陷檢測模型內進行訓練，并基于wgoa-hho優(yōu)化算法，輸出得到improved-yolov8模型；

105、缺陷檢測模塊，用于獲取待檢測焊縫圖像，將待檢測焊縫圖像輸入至improved-yolov8模型內，輸出得到焊縫缺陷檢測結果圖像。

106、在本發(fā)明的另一方面，為了達到上述目的，公開了一種終端設備，包括存儲器、處理器及存儲在存儲器中并能夠在處理器上運行的計算機程序，所述存儲器中存儲有能夠在處理器上運行的計算機程序，所述處理器加載并執(zhí)行計算機程序時，采用了如上所述的基于wgoa-hho改進yolov8的焊縫缺陷檢測方法。

107、本發(fā)明的有益效果：

108、本發(fā)明：

109、1、增強焊縫缺陷檢測

110、針對焊縫類型難以自動檢測的問題，本發(fā)明采用canny邊緣檢測與yolov8結合的方式進行自動檢測。焊縫缺陷檢測面臨著焊縫表面不均勻、環(huán)境噪聲干擾等挑戰(zhàn)。canny邊緣檢測算法能夠精確地捕捉焊縫的邊界特征，特別是在復雜背景下對焊縫區(qū)域進行有效分割，減少因噪聲引起的誤差。同時，對yolov8增加小目標檢測頭和注意力機制模塊，使其能夠快速處理各種焊縫形態(tài)，即使在不規(guī)則或缺陷不明顯的焊縫上也能進行精確定位。這種焊接缺陷檢測方法大大增強了系統(tǒng)在工業(yè)焊縫缺陷檢測中的魯棒性和適應性，減少了傳統(tǒng)方法中的漏檢和誤檢問題。

111、2、自適應超參數優(yōu)化

112、針對傳統(tǒng)的焊縫缺陷檢測方法通常依賴于固定的超參數設置，難以適應不同的焊縫類型和工業(yè)場景的問題。本發(fā)明通過將wgoa和hho有機結合，系統(tǒng)可以自適應地優(yōu)化超參數。具體來說，wgoa用于全局范圍內探索最佳超參數組合，而hho則通過捕食策略進行局部的精細化優(yōu)化。這種動態(tài)調整方式不僅提升了canny邊緣檢測的邊緣識別準確性，還可以在yolov8模型中實現更加高效的目標檢測。這種優(yōu)化方式解決了手動調參過程中的不確定性，提高了檢測效率和精度。

113、3、全局和局部搜索的動態(tài)平衡

114、wgoa和hho的并不是簡單的順序拼接，而是通過兩者有機結合，模擬大雁群體飛行和哈里斯鷹捕食行為，在焊縫缺陷檢測模型的超參數優(yōu)化中實現了全局和局部搜索的動態(tài)平衡。wgoa強調全局探索，確保超參數組合能夠在全局范圍內找到潛在的最優(yōu)解，而hho則通過其局部搜索機制在局部區(qū)域進行細致優(yōu)化，快速逼近最優(yōu)解。同時，針對wgoa算法，本發(fā)明將原有的固定值優(yōu)化為動態(tài)調整，以提高模型的泛化能力。