基于YOLOv5的砂纸表面缺陷检测方法研究

针对目前工业生产过程中存在砂纸表面缺陷人工质量检测精度低和检测效率低问题，提出一种基于YOLOv5网络模型融合CA注意力机制的砂纸表面缺陷自动检测方法。首先对砂纸生产过程中的砂纸表面图像进行采样，将收集到的砂纸表面缺陷图像分成脱砂、堆砂、划痕和褶皱4种缺陷类型来制作砂纸表面缺陷数据集；其次将YOLOv5主干网络中的C3模块与CA注意力机制结合，改进为CAC3模块；最后将改进前后的网络模型在自建砂纸表面缺陷数据集上进行训练和验证。实验结果表明：得到改进后的YOLOv5+CAC3网络模型，其P、R、mAP@0.5、mAP@0.5：0.95和S的数值分别为96.2%，92.9%，95.8%，65.0%，16.8 ms，相比于改进前的YOLOv5网络模型分别提高了1.1%、2.2%、0.6%、1.7%、4.5 ms。该方法在砂纸表面缺陷检测中精度高、速度快、检测稳定，符合砂纸生产过程中砂纸表面缺陷检测的要求。     

改进YOLOv5的路面缺陷快速检测方法研究

为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。     

基于CBE-YOLOv5的钢材表面缺陷检测方法

针对钢材表面缺陷种类多，背景干扰强且尺度变化多样导致的检测效率低、精度差的问题，提出了一种钢材表面缺陷检测算法CBE YOLOv5。在YOLOv5算法基础上进行改进，通过主干采用坐标注意力机制，加强对目标的关注，提高特征提取能力；用BiFPN作为特征提取网络，给出有效的特征对应权重，以充分融合不同尺度的特征，并通过EIOU来计算模型损失，使模型能更精确的回归。在公开数据集NEU DET上的实验结果表明，CBE YOLOv5算法mAP为755%，较YOLOv5提高了38%，检测速度也高于一些常见的目标检测算法，能够更准确、更快速地检测到钢材表面的缺陷。     

基于改进YOLOv5的印刷电路板缺陷检测

为解决印刷电路板缺陷检测中缺陷类别易混淆,缺陷目标微小难以检测的问题,提出了一种改进的YOLOv5检测模型。在骨干网络引入Swin-Transformer架构,获取局部和全局信息的多尺度特征。增加一个针对小目标的预测特征层,新的多尺度特征融合和检测结构使模型学习更加全面的特征信息。使用ECIoU＿Loss作为损失函数,实现电路板缺陷检测速度和准确率协同优化。实验结果表明,改进后的YOLOv5模型在PCB Defect数据集上的平均准确率为98.7%,达到了99.7%的预测精确率和97.4%的召回率,比当前主流的检测模型性能更优越,改进后的YOLOv5模型能更有效的对电路板缺陷进行分类和定位。     

基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

改进 YOLOv5s 的风力涡轮机表面缺陷检测

针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。     

基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。     

应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

改进 YOLOv5 的新能源电池集流盘缺陷检测方法

针对新能源汽车电池集流盘中因目标缺陷分布杂乱、尺寸跨度大和特征模糊而易出现误检、漏检的问题,提出一种基于 多尺度可变形卷积的 YOLOv5 方法(YOLOv5s-4Scale-DCN),以用于汽车电池集流盘缺陷检测。 首先,针对不同尺度的缺陷目 标,在 YOLOv5 模型的基础上新增检测层,通过捕获不同尺度缺陷的特征以及融合不同深度的语义特征,提高对不同尺度缺陷 目标的检测率;其次,引入可变形卷积,扩大特征图的感受野,使提取的特征辨析力更强,有效地提高了模型的缺陷识别能力。 实验结果表明,所提的 YOLOv5s-4Scale-DCN 算法可以有效检测新能源汽车电池集流盘缺陷,mAP 达到了 91%,相较原算法提 高了 2. 5%,FPS 达到了 113. 6,重度不良和无盖缺陷这两种类别的缺陷,检测召回率达到了 100%,满足新能源汽车电池集流盘 缺陷实时检测要求。     

结合数据增强和轻量化模型的YOLOv3木梁柱缺陷检测

针对现有基于深度学习的木梁柱缺陷检测存在的泛化能力差、模型复杂、参数计算量大、实时性差导致的难以在线应用等问题,提出一种结合数据增强和轻量化模型的YOLOv3木梁柱缺陷检测算法.使用包括数据增强、区域删除和图像混合技术增强自制的COCO格式数据集,在不增加额外计算量的前提下使模型的泛化性能和鲁棒性增强.使用轻量化模型MobileNetV3替换原YOLOv3的骨干网络并更换激活函数,在减少模型的参数量的基础上提升模型的预测速度.在制作的COCO数据集的测试结果表明:与原YOLOv3网络相比,所设计模型的平均精度(AP)提升了6％,AP50达到了92.3％,参数数量减少了62.52％,预测速度达到了53.47FPS.与Faster-RCNN、Faster RCNN+FPN和SSD等经典算法对比实验证明了所设计算法实现了兼顾精度和效率的木梁柱表面缺陷检测,并且模型参数量小更容易集成到工业应用环境.     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法

随着输电线路无人机巡检工作的常态化,暴露出故障图像检测实时性、模糊目标检测精准性难以满足实际工作需求的问题。文章提出一种基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法。以YOLOv5s为基础检测模型,基于Ghost轻量化模块重构模型获取数据特征的卷积操作过程,提高了模型的检测速度;采用基于KL散度分布的损失函数作为目标框定位损失函数,提升了模型对模糊图像检测的精度。将改进的YOLOv5s算法部署于华为Atlas 200 DK边缘模块中,对绝缘子自爆、防震锤脱落、鸟巢3类故障进行检测,其平均精度均值可达84.75%,检测速度为34 frame/s。结果表明,改进的算法在保证检测实时性的同时,能够提升对模糊故障目标图像的检测精度,满足无人机搭载边缘设备的输电线路巡检需求。     

基于密集连接网络的航拍绝缘子旋转目标精准定位方法

为了实现架空线路巡检时绝缘子的精准定位和检测,提出了一种基于Dense-Block密集连接块与旋转框改进YOLOv5的绝缘子检测模型。该模型针对绝缘子长宽比较大和方向多变的特点,提出利用长边定义法为检测框增加角度信息,实现目标旋转框检测,有效提升绝缘子检测和定位的效果。同时为了增强特征的重新利用和传播,利用Dense-Block对模型中的残差模块进行改进,构建YOLOv5-dense检测模型。最后为了使YOLOv5-dense模型能够更加关注有效的特征信息,在主干网络尾部加入SimAM注意力模块对模型进行改进。实验之前,利用Retinex算法对输入绝缘子图像进行增强。实验结果表明,相较于原始YOLOv5算法,所提算法在平均准确率和每秒处理帧数方面都有提高。除此之外,与水平框检测算法相比,所提算法去除了检测结果中大量冗余的背景信息,实现了绝缘子区域更加精准的定位。     

基于DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。     

基于改进YOLOv5的金属焊缝缺陷检测

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法。针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率。最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值（mean Average Precision,mAP）达到96.88%,单张图片检测时间不超过50毫秒,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求。     

架空输电线路巡检机器人系统设计

架空输电线路机器人可以代替人工执行电力巡检任务,解决人工巡检中效率低、劳动强度大、智能化程度不足等问题。提出了档间巡检的设计思路,开发了低成本架空输电线路巡检机器人系统,通过设计机械结构、优化识别算法等方式,实现了机器人的自主行走、无线充电、图像采集、数据处理、智能巡检等功能。在软件方面基于C#开发了专用程序及界面,并建立了基于架空输电线金具及缺陷数据集,在YOLOv4目标检测算法基础上,通过数据增强、边界框优化和模型结构改进,建立YOLOv4-M模型,优化了电力金具识别检测性能,提升了系统应用的环境适应性。通过机器人在线路上的运行和测试,识别算法在速度可以达到45fps,平均检测精度达到97.6%。     

基于自适应加权特征融合的 PCB 裸板缺陷检测研究

现有的针对 PCB 裸板的缺陷检测方法存在精确度低、实时性差且难以在移动端部署等问题,本文以 YOLO( you only look once)v4 算法为基本框架并对其进行改进,提出了一种专门针对 PCB 裸板的缺陷检测算法。 针对 YOLOv4 算法难以在移 动端部署的问题,采用 GhostNet 取代 CSPDarknet53 以轻量化整个检测网络。 为弥补 YOLOv4 算法在多尺度特征融合方面的性 能不足,提出了一种双向自适应特征融合网络 AF-BiFPN 取代 PANet 网络。 为进一步提高模型的检测精度,在 AF-BiFPN 特征 融合网络的采样的过程中插入 m-ECANet 通道注意力机制。 实验结果证明,改进后的 YOLOv4 算法的模型大小为 18. 64 MB,检 测的平均精度(mean average precision,mAP)为 98. 39%,检测速度为 62. 23 FPS,可为实际 PCB 裸板检测提供理论指导。     

航拍图像中绝缘子目标检测的研究

使用YOLOv3深度网络模型,针对航拍图像中绝缘子检测的准确性问题进行研究,提出了一种分解聚合算法。为解决目标的错检、漏检等问题,将目标分解成多个存在交集的可变型部件,并对其进行检测。在保证子目标检测精度与速度的前提下,利用各部件之间相交区域的特征及含义,对其进行聚合并重新定义,使检测到的目标区域更准确。由于群体性目标中包含的可变因素过多,原算法无法准确定义,提出的改进方法则可根据必需部件对其进行检测,同时为单独的子目标找出它所隶属的整体,通过多级标签对其进行更深刻意义上的描述。以COCO数据集为例,对比算法改进前后的检测效果。实验结果表明,该方法显著提高了目标检测的准确性,解决了漏检、错检等问题。     

基于YOLOv5的电力巡检图像缺陷识别研究

针对输电线路巡检中可能出现的裂化、老化、腐蚀、破损等诸多缺陷的情况,为保证输电线路运行的安全和稳定,文中开展了基于YOLOv5的电力巡检图像缺陷识别研究。在YOLOv5算法的基础上,结合电力巡检图像特点,采用CIOU_Loss作为Bounding box的损失函数,使其具有更快、更好的收敛效果;选用DIOU_NMS用于NMS处理,提高对遮挡重叠目标的识别精度;同时,在对数据集进行分类处理后,采用"分别训练、统一推断"的方法,冻结部分网络层权重来训练网络模型。实验结果显示,基于YOLOv5算法模型可以有效地识别电力巡检图像缺陷情况。