基于改进Faster R-CNN的轴承表面缺陷检测

针对轴承表面缺陷小、几何形状多变以及低对比度的特点,提出了一种改进的Faster R-CNN算法,对轴承表面缺陷进行检测。首先,以ResNet-50结合特征金字塔网络对轴承表面缺陷进行特征提取;其次,在改进的特征提取网络中引入可变形卷积,通过卷积学习偏移量自适应调整感受野,提高了缺陷的提取能力;最后,针对ROI Pooling因二次量化而导致的区域不匹配问题,采用基于双线插值的ROI Align改进ROI Pooling。实验结果表明,在采集的轴承表面缺陷数据集上,改进的Faster R-CNN平均精度均值为97.6%,与改进前相比,提高了11.76%,可以实现对轴承表面各类缺陷更为准确的检测,具有较强的实用性。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测.建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较.试验结果表明:和传统Can...     

基于改进YOLO v3的轴承端面缺陷检测算法

为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7 帧/s,验证了改进算法的有效性。     

基于改进YOLOv5算法的零件表面缺陷检测

针对现代工业生产环境对零件表面缺陷的高效率检测与计算需求,提出了一种基于YOLOv5算法网络的金属零件表面缺陷检测方法。通过引入以CBAM为基础构架的注意力机制,增强目标检测网络对特征图中重要信息的提取效率：针对小目标检测效率不佳的问题,融合了BiFPN网络与可变形卷积策略,提升算法对小目标缺陷的检测精度,降低小尺寸疵病漏检率。采用模型剪枝方法,有效降低了网络中冗余计算量,增强了算法的多种类平台嵌入泛化性,提升网络面向算力资源有限的移动平台时的兼容性。以NEU-DET数据集为例进行训练与测试,结果表明改进后的算法平均均值精度为98.5%,单帧计算速度为12.1 ms,能够实现针对金属工件表面缺陷的高精度、低延迟检测能力。     

基于改进YOLOv3算法的连铸坯表面缺陷检测

针对连铸坯表面缺陷检测中存在的检测速度慢,检测精度低等问题,提出了一种改进的YOLOv3算法模型。使用轻量级网络MobileNetv2替换为YOLOv3的Darknet-53特征提取网络,优化网络结构,减小参数;使用Mate-ACON激活函数替换Leaky-ReLU函数,自适应的选择激活神经元;最后引入CIoU损失函数代替IoU边界框回归损失,提高模型定位的准确性,加速模型收敛。在连铸坯表面缺陷识别任务中,改进后的算法检测精度指标mAP达到96.96%,检测速度达到97 fps,满足实时性要求;模型训练得到的权重大小仅29 M,占用内存更低,能够满足连铸坯表面检测任务。     

基于计算机视觉的微小轴承表面缺陷检测

提出了一种基于计算机视觉的轴承表面缺陷检测的新方法,采用A102fCCD数字摄像头作为图像传感器,利用数字图像处理技术对轴承表面缺陷进行检测,其主要步骤包括:图像的采集;采用边缘保持滤波器进行滤波、降噪;采用阈值法将图像二值化,并进行边缘检测;采用差影方法对有缺陷表面进行识别.试验证明,用该方法进行轴承表面缺陷检测是可行的,并具有方法简单、定位准确、抗噪能力强、计算速度快、实时性好等优点.     

基于Transformer的陶瓷轴承表面缺陷检测方法

针对传统机器视觉检测方法中,由于陶瓷轴承滚动体表面曲率大、对比度低,表面成像模糊导致后续缺陷检测精度低的问题,提出一种基于Transformer的超分辨率残差网络。首先,网络使用残差学习策略,通过预测模糊图像与清晰图像之间的差值,实现超分辨率任务;其次,在网络上前端插入通道注意力模块和空间注意力模块并改进L2多头自注意力模块,以增强图像纹理、改善梯度爆炸问题;最后,针对超分辨率重建任务,提出一种两阶段训练策略优化训练过程。自建陶瓷轴承表面缺陷数据集上的大量实验结果表明,所提出网络模型在客观指标与主观评价上均优于MSESRGAN、VSDR等超分辨率算法,重建图像SSIM为0.939,PSNR为36.51 dB。     

基于YOLOv5s网络改进的钢铁表面缺陷检测算法

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明：改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。     

基于改进YOLOv5的轴类零件表面缺陷检测算法

针对当前轴件表面缺陷种类繁多、缺陷形态复杂等原因导致的检测精度低,提出了一种改进的YOLOv5的目标轴件表面缺陷检测方法。为解决在日常生产中经常出现轴件表面小目标缺陷被漏检、错检的问题,在原YOLOv5基础上,添加一个新的小目标检测层,并将较浅特征图与深特征图拼接,使得整个网络更加关注小目标缺陷。同时为解决多目标缺陷和不完整轴件检测精度低与漏检,自建数据集中添加多目标缺陷与遮挡处理的轴件图像数据,经对比实验可知,改进的YOLOv5模型的检测性能优于FasterRCNN、SSD、原始YOLOv5三种主流算法模型,测试的平均值精度分别高出7%、9%、4%。证明了该方法对轴件的表面缺陷检测精度更高,且对多目标缺陷与不完整的轴件的检测效果有显著提升。     

基于改进YOLOv5算法的带钢表面缺陷检测北大核心

针对当前带钢在表面缺陷检测过程中存在检测算法精度有待提高等问题,提出了一种基于改进YOLOv5算法的带钢表面缺陷检测模型。首先,在检测端构建新的检测层,提高网络对不同尺寸目标的检测;其次,在主干网络结构中引入注意力模块,进一步加强网络提取特征的能力;然后,通过BiFPN_Add来增强深浅层特征信息的融合;最后,构建新的CNeB模块来取代各检测层对应的C3模块,进而增强网络对特征的提取。实验结果表明,改进后的算法在NEU-DET数据集上均值平均精度达到了80.9%,较原有的算法提升了4.5%,同时检测速度与原模型保持基本不变,性能优于目前其他主流的检测方法。     

圆锥滚子轴承的改进

本文介绍了圆锥滚子轴承的结构特点，在选择材料，制造，设计等方面的改善与创新。圆锥滚子轴承现在可以在高速和高精度的场合下广泛使用，并且轴承尺寸减小，承受负荷能力增大。     

基于改进Faster R-CNN的航空发动机制件表面缺陷检测算法

针对现有航空发动机制件缺陷检测所存在的检测准确率低、速度慢等问题,提出一种基于改进Faster R-CNN算法的缺陷检测方法。该算法使用深度残差网络提取缺陷特征,采用含有内容感知重组的特征金字塔模型融合各层次特征图,并根据检测框尺度选取相应层次的特征图进行检测和识别,在RCNN部分使用分层采样实现挖掘难例,增强模型对难例样本的学习。实验结果表明:所提算法具有较高的检测准确率,而且能够有效提升检测速度。     

基于YoLov5的轴承端面表面缺陷检测方法

针对工业生产中轴承端面表面缺陷检测采用人工目视检测方法存在检测精度低、可靠性差等问题,提出一种基于YoLov5的轴承端面表面缺陷检测方法.首先,为了克服轴承端面表面缺陷样本数据不足问题,提出一种联合Mosaic与Copy-Pasting策略的数据增强方法对样本进行扩充,然后利用YoLov5具有较好的目标检测性能,基于Y...     

基于YOLO-GR算法的轻量化钢材表面缺陷检测

针对工业带钢缺陷检测效率低、精度差、模型部署困难等技术不足,提出了一种改进YOLOv5s算法的轻量化钢材表面缺陷检测模型：YOLO-GR模型。首先,通过引入GhostV2 Bottleneck轻量化模块作为主干特征提取网络,以减少网络的参数量,同时将特征融合网络中的普通卷积块替换为深度可分离卷积块,进一步降低模型的计算复杂度以优化特征提取网络;然后,在检测头部分加入RepLK大卷积核提升网络感受野,以优化大尺度方差的检测效果;最后,引入W-IoU(Wise-IoU Loss)解决了带钢缺陷数据集难易样本不平衡问题,提高模型的泛化性能。实验结果表明,改进后的模型在平均检测精度上比原YOLOv5s模型提升了3.8%,在参数量和计算量比原模型下降了16.6%,模型大小仅仅12 M,为检测模型在移动端上的部署提供了可能。     

基于光学原理的轴承球体表面缺陷检测方法研究

目的 实现球体表面微小缺陷的非接触式检测。方法 基于激光散射和剪切干涉的光学原理,设计了适用于微小缺陷检测的光路系统,搭建了可适用于不同直径球体检测的精密可调节检测光路系统平台,通过对标定板的检测及重复性实验,确定光路系统的检测精度。采用高精度气浮主轴搭建了精密可调节的球体运动平台,通过对直径20 mm的G5级高精度氮化硅陶瓷球的检测实验,以及通过对一半抛光一半未抛光直径20 mm轴承钢球体的检测对比实验,验证光路实验平台对于球体表面微小缺陷检测的可行性。 结果 标定板上4 μm宽、63 nm高的条纹的剪切干涉信噪比为8∶1,具有相对较高的信噪比。G5级高精度氮化硅陶瓷球的检测试验以及一半抛光一半未抛光轴承钢球体检测的对比实验,验证了该光路实验平台中,激光散射可灵敏地检测较深的微米级缺陷,剪切干涉可灵敏地检测较浅的微米级缺陷。结论 基于光学原理搭建的球体表面微小缺陷检测平台,可以实现对球体表面微米级别缺陷的检测。     

基于改进YOLOv5的焊接件表面缺陷检测

为提高工业环境下焊接件表面缺陷检测精度与检测效率,提出一种改进YOLOv5目标检测模型的焊接件表面缺陷检测算法。首先,改进主干网络中的C3模块,包括引入ConvMixer混合卷积结构及Mish激活函数,并增加Shuffle Attention注意力机制,实现在提高检测精度的同时降低模型复杂度;其次,针对NWD Loss存在的不足加以改进,使其关注更多边界框几何信息;最后,将Neck中的所有标准卷积层更换为GSConv卷积层从而进一步提升网络性能。实验结果表明,改进后网络的mAP达到91.3%,与原始网络相比,提高了4.8%,并且参数量与计算量分别减少21.4%和8.9%,检测帧率达到142.9 f/s。改进模型在提高检测精度的同时降低了结构复杂度,满足工业生产中对于焊接件表面缺陷检测要求。     

基于改进自适应遗传算法的圆锥滚子轴承优化设计

建立了圆锥滚子轴承优化模型。根据种群适应度的集中程度,设计了改进的自适应交叉概率和变异概率来调整整个种群的交叉概率和变异概率,提出了一种基于种群适应度集中程度改进的自适应遗传算法,并将改进的自适应遗传算法应用于圆锥滚子轴承优化设计。计算实例表明该方法高效可行,优化结果可直接作为工程设计的参考。     

基于改进的Faster-RCNN模型的汽车轮毂表面缺陷在线检测算法研究

目的 通过构建轮毂在线生产视觉检测系统，预测轮毂生产过程中轮毂表面的缺陷。方法 根据轮毂表面缺陷的定义和评价标准，给出了轮毂表面缺陷的计算模型，采用了改进型的Faster-RCNN目标检测算法，引入了深度生成式对抗网络，消除图像的模糊性，再利用清晰的轮毂表面图像进行模型训练，结合领域专家的判别标准，优化网络参数，构建轮毂表面缺陷检测模型。利用深度学习Pytorch框架，在NVIDIA Tesla P100图像加速卡上进行模型训练，并对模型结果进行对比性实验分析，找出最优的预测模型。结果 在基础网络部分，采用残差模型ResNet101网络比采用VGG16模型的准确率提高了24%。在目标检测网络模型中引入了多通道特征融合模块，准确率提升了2%。再引入FPN金字塔模型，融入低级和高级语义信息，使得输出的多尺度的预测特征图谱效果更好。最后把残差网络的ROI-Pooling算法改为ROI-Align算法，准确率提高了5%。通过对网络模型的不断改进和优化，轮毂表面缺陷的识别率不断提高。结论 利用改进型的Faster-RCNN网络能够识别出轮毂表面缺陷的种类和位置，满足生产环境的要求，具有一定的工程应用价值。     

基于改进YOLOv5算法的纸袋缺陷检测

为了提高纸袋生产企业在制造过程中对纸袋手把或底部缺陷的检测精度,提出了一种基于改进YOLOv5算法的纸袋缺陷检测方法。改进算法为了提高网络定位能力,增强网络的特征学习表达能力,引入了坐标注意力机制,接着引入EIoU损失函数对原始损失函数进行改进,以此来改善原始网络损失函数纵横比的合理性,提升回归精度,最后引入一种具有类似跨阶段局部结构的简化空间金字塔池化结构,减少冗余信息处理,提升网络检测性能。实验结果表明,改进算法的平均精度平均值mAP@.5为87.3%,mAP@.5∶.95为56.8%,与YOLOv5算法相比mAP@.5提升了1.6%,mAP@.5∶.95提升了0.9%,在纸袋缺陷检测上有更优越的表现。     

圆柱滚子轴承故障分析与改进

圆柱滚子轴承在使用过程中发生故障,滚子一侧发生剥落,内圈滚道发生挤压磨损.对故障件进行形貌分析、轴承复查、内圈与外圈倾斜角测量、轴承抗倾斜角及接触应力计算.结果表明:轴承在工作过程中产生较大倾斜角,滚子轮廓与内圈滚道边缘接触,产生应力集中,导致滚子剥落与内圈滚道挤压磨损.通过增加滚道长度及滚子凸度量的改进措施,防止边缘...