| 基于Efficient-YOLO的轻量化轴承缺陷检测 |
| |
| 引用本文： | 娄瑶迪,岳俊峰,周迪斌,刘文浩.基于Efficient-YOLO的轻量化轴承缺陷检测[J].计算机系统应用,2024,33(2):265-275. |
| |
| 作者姓名： | 娄瑶迪 岳俊峰 周迪斌 刘文浩 |
| |
| 作者单位： | 杭州师范大学 信息科学与技术学院, 杭州 311121 |
| |
| 基金项目： | 国家自然科学基金联合重点项目(U21A20466) |
| |
| 摘 要： | 针对现有深度模型在工业轴承外观缺陷检测领域, 存在模型参数量大、特征融合不充分以及对小目标检测精度低等问题, 提出了一种轻量化自适应特征融合检测网络(Efficient-YOLO). 首先, 该网络采用嵌入CBAM注意力机制的EfficientNetV2结构进行基本特征提取, 便于确保模型精度同时显著优化模型参数量; 其次, 设计了一种自适应特征融合网络(CBAM-BiFPN), 用来增加网络对有效特征信息的提取; 接着, 在下游特征融合网络引入Swin?Transformer机制, 同时配合上游网络引入的Ghost卷积, 大幅度提高模型对轴承外观缺陷的全局感知能力; 最后, 在推理阶段运用改进的非极大值抑制方法(Soft-CIoU-NMS), 加入距离有关的权重评价因素, 减少了重叠框的漏检. 实验结果表明: 与现有主流检测模型相比, 此方法在轴承表面缺陷数据集上, mAP达到了90.1%, 参数量降低至1.99M, 计算量为7 GFLOPs, 对轴承缺陷小目标识别率显著提升, 满足工业现场轴承外观缺陷检测需求.
|
| 关 键 词： | 轴承缺陷检测 深度学习 EfficientNetV2 YOLOv5 特征融合 |
| 收稿时间： | 2023/8/17 0:00:00 |
| 修稿时间： | 2023/9/26 0:00:00 |
Lightweight Bearing Defect Detection Based on Efficient-YOLO |
| |
| LOU Yao-Di,YUE Jun-Feng,ZHOU Di-Bin,LIU Wen-Hao.Lightweight Bearing Defect Detection Based on Efficient-YOLO[J].Computer Systems& Applications,2024,33(2):265-275. |
| |
| Authors: | LOU Yao-Di YUE Jun-Feng ZHOU Di-Bin LIU Wen-Hao |
| |
| Affiliation: | School of Information Science and Technology, Hangzhou Normal University, Hangzhou 311121, China |
| |
| Abstract: | |
| |
| Keywords: | bearing defect detection deep learning EfficientNetV2 YOLOv5 feature fusion |
|
| 点击此处可从《计算机系统应用》浏览原始摘要信息 |
|
点击此处可从《计算机系统应用》下载全文 |
|
