基于改进YOLOv4的焊接件表面缺陷检测算法

目的 针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法 该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷。结果 实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%。结论 所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义。     

基于改进YOLOv5的药用胶囊表面缺陷检测方法

目的 在质检过程中精确快速地检测到药用空心胶囊的表面缺陷。方法 基于YOLOv5算法,针对模型网络参数量大和对长距离依赖关系的学习能力较弱的问题,提出在主干网络部分引入GhostNet模块和坐标注意力机制,使网络有效捕捉数据位置信息和通道信息的关系。结果 实验结果表明,改进的网络结构能够在参数量下降为原来的57%的前提下,对药用胶囊表面的破损、印刷错误、孔洞、划痕、凹陷等5类缺陷的平均检测精度达到96.9%,相较于YOLOv5s提高了2.4个百分点,检测速度提升了12帧/s。结论 文中方法能够有效对药用胶囊表面缺陷进行分类和定位,提高缺陷检测的准确率。     

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。     

基于改进YOLOv4算法的轮毂表面缺陷检测

汽车轮毂加工过程中产生的表面缺陷严重影响整车的美观性及服役性能,针对人工检测效率低、漏检率高的问题,提出一种基于改进YOLOv4算法的轮毂表面缺陷检测方法。构建了轮毂缺陷数据集,其包含6种表面缺陷,由2346张4928×3264pixel的图像组成;采用K-means方法进行先验框聚类,并针对YOLOv4算法在纤维、粘铝等小尺度缺陷上检测精度不足问题,在原网络Neck部分引入细化U型网络模块(TUM)和注意力机制,用于增强有效特征并抑制无效特征,强化多尺度特征提取与融合,改善特征处理过程中可能存在的小目标信息丢失问题;基于该数据集,训练并测试不同算法的缺陷检测性能并验证改进模块的有效性。结果表明,该方法大幅提升了粘铝等小尺寸缺陷的检测能力,缺陷检测平均精度达到85.8%,与多种算法相比较检测精度最高。     

基于改进YOLOv4的灾后人员检测算法

针对地震等灾后环境复杂、救援机器人对救援目标识别实时性和准确度要求较高的问题,提出一种基于改进YOLOv4的目标检测模型。该算法将YOLOv4网络中的主干特征提取网络替换成MobileNetv1模型以增强特征复用,同时缩减网络参数量,提高运行速度;通过K-means++算法进行锚点维度聚类以适应灾后人员检测,提升算法精度。并且针对灾后人员检测数据集缺乏问题,贡献相应的数据集。实验结果表明,改进的网络与YOLOv4相比在保证模型精度的前提下帧率提升了约92%,权重文件大小变为原来的20.73%,满足了灾后救援机器人目标检测实时性和准确性的需求,对于灾后人员检测场景有一定的借鉴意义。     

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。     

改进YOLOv3算法用于铝型材表面缺陷检测

针对目前铝型材表面缺陷检测存在的准确率、检测效率较低等问题,提出了一种基于改进的YOLOv3铝型材表面缺陷检测方法。首先通过k-均值聚类算法对采集到的数据集进行聚类分析,选取尺寸最优的目标候选框;考虑到铝型材表面缺陷较大,对YOLOv3的网络层级结构进行调整,并将目标检测层之前的6个CBL单元改成4个,再补充2个残差单元,以提高特征的复用。将提出方法用于铝型材表面缺陷检测,并与经典的卷积网络Faster-RCNN和SSD方法进行比较,实验结果表明,采用提出的算法准确率达到97%,检测速度达到47帧/s,明显优于经典的卷积网络Faster-RCNN和SSD,适于在有高精度快速性要求的铝型材表面缺陷检测中推广应用。     

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YOLOv4-tiny的溜筒卸料煤尘检测方法

煤炭港在使用装船机的溜筒卸载煤的过程中会产生扬尘,港口为了除尘,需要先对粉尘进行检测。为解决粉尘检测问题,本文提出一种基于深度学习(YOLOv4-tiny)的溜筒卸料煤粉尘的检测方法。利用改进的YOLOv4-tiny算法对溜筒卸料粉尘数据集进行训练和测试,由于检测算法无法获知粉尘浓度,本文将粉尘分为四类分别进行检测,最后统计四类粉尘的检测框总面积,通过对这些数据做加权和计算近似判断粉尘浓度大小。实验结果表明,四类粉尘的检测精度(AP)分别为93.98%、93.57%、80.03%和57.43%,平均检测精度(mAP)为81.27%,接近YOLOv4的83.38%,而检测速度(FPS)为25.1,高于YOLOv4的13.4。该算法较好地平衡了粉尘检测的速率和精度,可用于实时的粉尘检测以提高抑制溜筒卸料产生的煤粉尘的效率。     

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YOLOv3的医药玻璃瓶缺陷检测方法

目的为了准确而快速地自动检测医药玻璃瓶的外观缺陷。方法基于YOLOv3算法,建立深度卷积神经网络学习检测模型,通过将神经网络结构浅层和深层特征向量连接并标准化,提取玻璃瓶多尺度特征信息。采用K-means聚类方式获得锚点框初始大小,提高模型对边界框预测的准确性;利用多尺度训练策略,增强模型对不同尺寸图像的鲁棒性。结果实验结果表明,提出的医药玻璃瓶缺陷检测方法能够准确检测识别玻璃瓶上的管端残损、气线、气泡、划伤、污渍和结石等缺陷种类。与主流的目标检测方法相比,提出的方法在处理速度和准确度上都有提高,缺陷目标检测精确率达到96.23%,召回率为93.82%,平均精度为89.35%。结论该方法已经在国内几家大型医药玻璃包装生产公司成功应用,显著提高了医药玻璃包装产品的质量和合格率,降低了人工成本。     

基于改进YOLOv5的金属工件表面缺陷检测

目的 针对金属工件表面小尺寸缺陷检测精度低的问题,提出以YOLOv5网络为基础,结合注意力机制与Ghost卷积的表面缺陷检测算法。方法 首先,在原网络中增加SE通道注意力模块,增加缺陷有关信息的权重,减少无用特征的干扰,从而提高目标的检测精度。然后,将网络中空间金字塔池化模块的池化方式由最大池化替换为软池化,使得在下采样激活映射中保留更多的特征信息,获得更好的检测精度。最后,采用Ghost卷积块替换主干网络中的常规卷积模块,提取丰富特征及冗余特征,以此提高模型效率。结果 改进后网络平均精度均值达到0.997 8,相比原网络提高了7.07个百分点。结论 该网络显著提高了金属工件表面缺陷检测的精度。     

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。