基于机器视觉的线束连接器字符检测

针对线束连接器上印刷字符检测智能化程度不高的情况,提出了一种基于机器视觉的检测方法.首先,利用一阶导数获得印刷字符边缘点,并将边缘点拟合为线,由此定位字符的位置,并对字符的角度和位置进行比较;然后,对合格的字符分割、归一化,并以整个字符图像作为输入特征;最后,基于字符的特征,建立了用于印刷字符识别的BP神经网络,并对其进行了改进.实验证明:基于机器视觉的连接器印刷字符单个字符识别准确率为99.1%,检测时间为95ms,具有较高的识别准确率和速度.     

基于YOLOv3-spp的汽车轮毂表面缺陷检测算法研究与分析

针对传统人工检测方法效率低且准确率不高等问题，提出一种基于YOLOv3-spp网络的自动缺陷检测方法。首先通过图像切片提取缺陷区域，然后将提取的缺陷图片经过数据增强后组成数据集并以此训练YOLOv3-spp网络，接着对比分析了不同深度学习网络及数据集筛选方法对轮毂表面缺陷的检测效果。实验结果表明：在工业现场采集的数据集上，训练好的YOLOv3-spp神经网络可以准确地定位，并识别出点状、线性、油泥油漆、针孔4类缺陷，其平均准确率分别为84.5%、93.4%、95.4%和89.5%,检测速度达到35 ms/幅，满足检测的实时性要求，且检测准确率优于Faster R-CNN和SSD两种常用神经网络。     

基于改进YOLOv5的旋转目标检测算法及其应用研究

目的 提高工业分拣上常见的纹理多样、随机堆放盒体的检测与识别能力。方法 提出一种基于YOLOv5的旋转目标检测算法，该算法包括目标分类、位姿角度识别和边界框位置定位3个模块功能。目标分类模块中，通过自建数据集和设计8种目标分类标签以供模型分类学习;位姿角度识别模块对YOLOv5头网络中添加角度预测分支，引入环形平滑标签角度分类方法，实现分拣盒体的旋转角度精准检测;在边界框位置定位模块上，使用LCIoU回归框损失函数来计算旋转框回归损失，得到紧密包裹目标位置的边界框。结果 改进的YOLOv5算法在自建数据集上检测精度达到95.03%，在机器人多物体分拣实验中的准确率可达100%。结论 本文算法在盒体处于散乱堆放、密集堆放、堆叠堆放场景下均具有较高的定位与识别精度。     

基于改进YOLOv5的新材料地板表面缺陷检测研究

目的 提升质检过程中新材料地板的表面缺陷检测精度。方法 通过翻转、水平迁移和垂直迁移对采集到的缺陷图像进行扩充,构建新材料地板缺陷数据集。基于YOLOv5算法,增加一个预测头,使算法对微小缺陷更加敏感;其次在网络的特征融合层应用Swin Transformer模块,形成注意力机制预测头,提高网络特征提取效率;然后在网络主干末端加入SE模块,使网络提取有用的信息特征,提高模型精度。结果 实验结果表明,提出的新材料地板表面缺陷检测方法能够准确判别地板好坏,并能够识别出白色杂质、黑斑、边损、气泡胶等4类表面缺陷,各缺陷类型的平均精确均值为82.30%,比YOLOv5 Baseline提高了6.58%,相比其他典型目标检测算法也能够更准确和快速地识别地板表面缺陷。结论 通过改进的YOLOv5算法可以更准确地对地板表面缺陷进行分类与定位,从而大大提高工业质检效率。     

基于改进YOLOv5的试剂卡印刷缺陷检测算法

目的 针对试剂卡生产企业采用人工分选印刷缺陷的试剂卡存在效率低、成本高、易漏检的问题，提出一种基于深度神经网络YOLOv5s的改进试剂卡印刷缺陷检测算法YOLOv5s-EF。方法 通过图像预处理算法获得高质量的缺陷图像数据集，在YOLOv5s的主干特征提取网络中添加高效通道注意力（Efficient Channel Attention, ECA）机制，增强特征图中重要特征的表示能力；引入焦点损失函数（Focal Loss）来缓解正负样本不均衡的影响；结合印刷区域的定位结果，二次精确定位并构建方位特征向量，提出一种特征向量相似度匹配方法。结果 实验结果表明，本文提出的试剂卡印刷缺陷检测算法在测试集上的检测平均准确度可以达到97.3%，速度为22.6帧/s。结论 相较于其他网络模型，本文提出的方法可以实现对多种印刷缺陷的识别与定位，模型具有较好的检测速度和鲁棒性，有利于提高企业生产的智能化水平。     

基于改进YOLOv5s的护帮板异常检测方法研究

准确识别护帮板支护状态,判断护帮板是否与采煤机发生干涉,是实现煤矿安全生产的重要一环。提出了一种基于改进YOLOv5s的护帮板异常检测方法。建立了护帮板数据集hb_data2021,对YOLOv5s模型进行改进。根据基于改进YOLOv5s的护帮板状态检测结果的标签分类,判断护帮板状态是否异常。为了减小YOLOv5s模型的参数量,采用MobileNetV3 和轻量级注意力机制NAM（normalization-based attention module,标准化注意力模块）替换主干特征提取网络。为了提高护帮板检测精度,改进损失函数为α-CIoU,并进行知识蒸馏。实验结果表明：蒸馏后的网络平均精度提高了1.0%,参数量减小了33.4%,推理加速34.2%;基于改进YOLOv5s的护帮板异常检测方法效果良好,将其部署在NVIDIA Jetson Xavier平台上,可以满足实时检测视频的要求。将检测模型移植到巡检机器人的嵌入式平台上,可以实现护帮板异常检测,满足煤矿工业实际需求。     

基于改进YOLOv5模型的PCB缺陷图像检测

本文针对印制电路板(Printed Circuit Board, PCB)的缺陷检测问题,研究一种基于改进YOLOv5的PCB缺陷检测模型,构建常见PCB缺陷图像和背景图像的训练数据集,以及缺陷图像和无缺陷图像的测试数据集。为提高YOLOv5模型全局特征捕获能力,在CSP模块的ResNet中,融入Transformer的多头注意力机制,构建改进后的YOLOv5网络结构。结果表明：改进后的模型更适合PCB缺陷的检测,对非缺陷图像的检测精度提高了11.40%。     

基于改进形态学梯度的容器密封性检测方法

目的提出样条插值亚像素边缘检测方法,以提高药品容器密封性检测的准确率。方法采用一种改进的亚像素边缘检测方法,首先将抖动的模糊图像进行复原,复原后的图像经过预处理后,再采用改进的形态学梯度的样条插值亚像素边缘检测方法,以提高容器密封性检测的效率和准确率,并在此基础上进行模拟实验。结果该方法的检测准确率均在95%以上,传统方法很难达到这样的效果。结论该方法能够很好地解决传统检测方法效率低的问题,可以满足实际的检测需求。     

林区视频监控下车流量分类统计

针对林区环境中通过监控视频统计车流量的传统方法提取车辆特征困难、无法分类统计等问题,提出了一种基于YOLOv5结合DeepSORT的车流量分类统计方法。该方法使用目标检测算法YOLOv5作为检测器对车辆进行分类检测,为了提升实际场景中的车辆检测效果,在算法中融入CBAM注意力机制增强检测器对车辆的特征提取能力,同时将NMS改进为DIoU-NMS,解决了因车辆相互遮挡导致的漏检问题。使用目标跟踪算法DeepSORT对检测到的车辆进行跟踪,为了减少车辆身份切换现象,将重识别网络在车辆重识别数据集上重新训练。最后通过在视频中设置虚拟线的方法对跟踪到的车辆进行统计。将该方法在实际场景中进行效果验证,实验结果表明,总体车流量统计准确率较改进前提升10.1%,汽车、货车、客车的车流量统计准确率分别为91.8%,94.6%,93.8%。     

基于机器视觉的柔性包装袋喷码缺陷检测研究

目的 针对传统喷码检测方法计算量大、字符区域定位不显著、识别准确率较低等不足,提出一种基于机器视觉的柔性包装袋喷码缺陷检测方法。方法 以柔性包装袋上喷码图像为研究对象,以滤波抑噪、阈值处理等技术对图像进行预处理,运用YOLO-V3网络模型对字符区域进行定位,并采用阈值和非极大值抑制算法提高喷码区域定位的显著性,通过改进AlexNet网络结构、运用多特征融合运算等方法,获取更为丰富的图像卷积特征,实现字符串的整体识别,从而提高喷码缺陷识别的准确率。结果 将YOLO-V3联合改进AlexNet的检测方法与传统喷码检测方法进行对比,结果表明,所设计喷码缺陷检测方法的分类准确率达到99.39%。结论 基于机器视觉的柔性包装袋喷码缺陷检测方法在模型计算量、字符区域定位显著性和字符识别准确率都有一定的优势,并有效解决了字符串整体识别的问题。     

基于YOLOv5s网络的垃圾分类和检测

目的 为了实现垃圾自动按类处理,通过研究基于视觉的垃圾检测与分类模型,实现对垃圾的自动识别和检测.方法 采用YOLOv5s网络作为垃圾检测与分类的模型,在自制垃圾分类数据集上对网络进行训练,利用训练好的YOLOv5s网络提取不同种类垃圾图像的特征和位置信息,实现垃圾的分类与检测.结果 在真实场景中进行了测试,基于YOLOv5s的垃圾分类检测模型可以有效识别6种不同形态的垃圾,检测mAP值为99.38％,测试精度为95.34％,目标检测速度达到6.67FPS.结论 实验结果表明,基于YOLOv5s网络的垃圾分类检测模型在不同光照、视角等条件下,检测准确率高,鲁棒性好、计算速度快.同时,有助于促进垃圾处理公司实现智能分拣,提高工作效率.     

融入注意力机制的轻量化可回收垃圾检测方法

目的 针对目前智能垃圾分类设备使用的垃圾检测方法存在检测速度慢且模型权重文件较大等问题,提出一种基于YOLOv4的轻量化方法,以实现可回收垃圾的检测。方法 采用MobileNetV2轻量级网络为YOLOv4的主干网络,用深度可分离卷积来优化颈部和头部网络,以减少参数量和计算量,提高检测速度;在颈部网络中融入CBAM注意力模块,提高模型对目标特征信息的敏感度;使用K-means算法重新聚类,得到适合自建可回收数据集中检测目标的先验框。结果 实验结果表明,改进后模型的参数量减少为原始YOLOv4模型的17.0%,检测的平均精度达到96.78%,模型权重文件的大小为46.6 MB,约为YOLOv4模型权重文件的19.1%,检测速度为20.46帧/s,提高了约25.4%,检测精度和检测速度均满足实时检测要求。结论 改进的YOLOv4模型能够在检测可回收垃圾时保证较高的检测精度,同时具有较好的实时性。     

An Elevator Button Recognition Method Combining YOLOv5 and OCR

Fast recognition of elevator buttons is a key step for service robots to ride elevators automatically. Although there are some studies in this field, none of them can achieve real-time application due to problems such as recognition speed and algorithm complexity. Elevator button recognition is a comprehensive problem. Not only does it need to detect the position of multiple buttons at the same time, but also needs to accurately identify the characters on each button. The latest version 5 of you only look once algorithm (YOLOv5) has the fastest reasoning speed and can be used for detecting multiple objects in real-time. The advantages of YOLOv5 make it an ideal choice for detecting the position of multiple buttons in an elevator, but it’s not good at specific word recognition. Optical character recognition (OCR) is a well-known technique for character recognition. This paper innovatively improved the YOLOv5 network, integrated OCR technology, and applied them to the elevator button recognition process. First, we changed the detection scale in the YOLOv5 network and only maintained the detection scales of 40 * 40 and 80 * 80, thus improving the overall object detection speed. Then, we put a modified OCR branch after the YOLOv5 network to identify the numbers on the buttons. Finally, we verified this method on different datasets and compared it with other typical methods. The results show that the average recall and precision of this method are 81.2% and 92.4%. Compared with others, the accuracy of this method has reached a very high level, but the recognition speed has reached 0.056 s, which is far higher than other methods.     

基于改进YOLOv5的条烟识别研究

目的 针对当下烟草物流中心条烟分拣机及人工分拣时会产生错烟等问题。从兼顾实时性、识别精度出发,基于YOLOv5s算法提出一种收敛速度更快、准确率更高的条烟识别模型。方法 首先在YOLOv5s网络架构中融入CA注意力模块来更好地提取特征,提高模型获取目标位置的准确度;其次将原网络中的最近邻插值上采样算子改为轻量级通用上采样算子CARAFE,获得更大的感受野;然后在骨干网络中嵌入Ghost模块,对网络进行轻量化处理;最后在烟草物流中心搭建条烟图像采集系统,建立条烟图像数据集。结果 相较于YOLOv5s,本文提出的优化算法计算量减少了45.8%,mAP@0.5值达到了99.3%,在条烟纠错系统上识别率约为99.9%。结论 本文提出的优化算法能够高精度满足高速条烟分拣识别需求。     

基于深度学习的合作目标靶球检测

为了解决复杂场景下激光跟踪仪对合作目标靶球的精确识别难题,提出了基于深度学习的合作目标靶球高效检测方法。首先分析了合作目标靶球的图像特征,然后采用改进的YOLOv2模型,针对合作目标靶球多尺度与小目标占比多的特点,提出了一种基于注意力机制的改进方法,同时为提高网络模型对复杂背景的抗干扰能力,提出了一种数据增强方法。测试结果表明,所提出的基于注意力机制与数据增强的改进YOLOv2模型对复杂背景的抗干扰能力较强,且对合作目标靶球的检测精度有显著提高,在合作目标靶球测试集上的检测准确率达到92.25%,能够有效满足激光跟踪仪在大型装置精密装配过程中的目标检测精度需求。     

基于数学形态学的彩色图像边缘检测

为了克服传统边缘检测方法对噪声敏感的缺点,提出了一种基于数学形态学的彩色图像边缘检测新方法。该方法是在RGB空间内,把每个像素作为一个向量进行排序,将灰度形态学推广到了彩色图像。然后通过分析噪声（主要是椒盐噪声）污染图像的特点对彩色图像形态学基本算子进行了改进。改进后的算子有很强的抗噪性,可以直接实现边缘检测。实验表明,与传统方法相比,该算法能够更有效地抑制噪声对边缘检测的影响,并较好地保持图像边缘细节。     

基于改进YOLOv5算法的PCB裸板缺陷检测

目的 将基于深度学习的YOLOv5算法应用于PCB裸板的缺陷检测上,以提高检测的准确率。方法 通过增加特征融合通路,将C2、C3、C4层直接与P2、P3、P4层相连,从而减小信息的损耗;引入更浅层的C2、F2、P2特征图以增加图像的细节信息;并且使用注意力机制SE_block,大幅提高原算法的准确率。结果 改进后的网络的平均精度由91.54%提高至97.36%,提高了5.82%,并且对于各类缺陷,算法的检测精度都能保持在90%以上,满足工业的需求。结论 文中的算法提高了检测精度,体现了浅层信息在小目标检测上的作用,验证了多信息融合通路的优势,彰显了注意力机制的优越性,相比于原算法具有一定的优势。     

基于YOLOv5的瓷砖表面缺陷检测

目的 针对目前的瓷砖表面人工缺陷检测效率低的问题,提出一种基于深度学习YOLOv5算法实现对生产线瓷砖表面缺陷的检测。方法 首先对数据集进行切图分割与数据增强处理,再通过labelimg对数据集进行数据标注,然后将数据集送入到优化后的YOLOv5网络模型进行迭代训练,并将最优权重用于测试。结果 通过实验对比,YOLOv5模型的检测准确率高于Faster RCNN、SSD、YOLOv4这3种模型,其检测平均准确度高于96%,平均检测时间为14ms。结论 表明该方法能够检测生产过程中的瓷砖缺陷问题,在瓷砖缺陷检测上有一定的先进性和实用性。