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。     

基于改进YOLOv5s的无人机图像实时目标检测

针对无人机图像背景复杂、分辨率高、目标尺度差异大等特点,提出了一种实时目标检测算法YOLOv5sm+.首先,分析了网络宽度和深度对无人机图像检测性能的影响,通过引入可增大感受野的残差空洞卷积模块来提高空间特征的利用率,基于YOLOv5s设计了一种改进的浅层网络YOLOv5sm,以提高无人机图像的检测精度.然后,设计了一...     

基于改进YOLOv5的轻量级芯片封装缺陷检测方法

目的 针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题,提出YOLOv5-SPM检测网络,旨在提高检测精度并实现模型轻量化。方法 首先,通过在特征提取模块后增加通道注意力机制,提高缺陷通道的关注度,减少冗余特征的干扰,进而提升目标的检测精度。其次,在主干网络与颈部网络连接处使用快速特征金字塔结构,更好地融合了自建芯片数据集的多尺度特征信息。最后,将主干网络的特征提取模块更换为MobileNetV3,将常规卷积更换为深度卷积和点卷积,有效降低了模型尺寸和计算量。结果 经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下,平均精度较原网络提高了0.6%,准确率提高了3.2%。结论 新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高,同时由于模型参数减小了29.5%,更适合部署在资源有限的工业嵌入式设备上。     

基于改进YOLOv5s模型纸杯缺陷检测方法

目的 针对小尺寸和特征不明显的纸杯缺陷在检测过程中易出现漏检、错检的问题,提出一种基于改进YOLOv5s模型纸杯缺陷检测方法。方法 在原始模型的Backbone部分引入CBAM注意力机制模块,提升模型的特征提取能力;增加一个YOLO检测头,将三尺度检测改为四尺度检测,提高模型对小目标和特征不明显目标的检测能力;在Neck部分借鉴加权双向特征金字塔网络BiFPN,对原始模型中的PANet进行部分改进,加强模型的特征融合能力。结果 结果显示,改进后的模型YOLOv5s–CXO精度为89.1%、召回率为90.4%、平均精度均值为89.5%,比原始模型的精度提高了1.5%、召回率提高了1.3%、平均精度均值提高了1.2%。结论 本文的改进方法有效提高了模型的检测能力,对小尺寸和特征不明显纸杯缺陷的检测效果有明显提升。     

基于改进YOLOv7的森林火灾检测

森林火灾所造成的危害是无法估量的,因此在火灾发生前及时检测,并做到防患于未然,更有利于保护森林资源。该文提出了一种基于YOLOv7算法的森林火灾检测改进方案。为了帮助模型更有效地识别火焰特征,在不损失特征信息的情况下减少冗余功能,将CA注意力机制嵌入算法的特征提取部分。同时运用EIOU作为边界框损失函数,提升模型的收敛速度与回归精度。改进的烟火检测模型的平均精度提升2.0%,召回率提升1.6%,检测速度也在原来的基础上进行提升。     

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.     

基于改进YOLOv5s的药盒钢印日期识别方法

目的 药盒的钢印日期与背景对比度低,字符轮廓不明显,识别易受环境光线干扰,对此提出一种基于机器视觉的识别方法。方法 使用改进YOLOv5s模型,首先对采集的药盒数据集进行透视变换校正,并进行数据增强。通过在模型的骨干网络中融合位置注意力机制(CA),减少冗余信息的干扰;颈部网络根据加权双向特征金字塔网络(BiFPN)引入权重,更好地平衡不同尺寸图层的特征信息;引入动态聚焦损失函数(WIoU),降低高质量样本对训练的干预,提高模型的泛化能力。结果 在自建钢印字符数据集上的实验结果表明,改进网络对药盒钢印日期识别的平均精度值达到了99.41%,比原始模型提升了2.38%,帧率为80.01帧/s。结论 改进后的YOLOv5模型对药盒钢印日期的检测精度优于原有网络,对可以满足药盒生产线的实时性要求。     

基于改进YOLOv5s的白酒瓶盖瑕疵检测

目的 瓶装白酒生产过程中,瓶盖表面瑕疵会影响产品外观质量。针对白酒瓶盖表面瑕疵检测效率低和目标检测效果差的问题,提出一种基于YOLOv5s的改进算法DTS-YOLO。方法 首先,在主干网络中引入可变形卷积,以提高模型对极端长宽比瑕疵的检测精度。其次,引入Transformer编码块,使网络聚焦于提取图像的全局信息。最后,在颈部网络构建C3SE-Lite模块,将C3模块嵌入SE注意力模块的同时引入Ghost卷积,减少参数量的同时,增强对瓶盖瑕疵的检测能力。结果 实验结果表明,本文所提方法相较于基础网络,参数量减少了10%,平均精度均值达95%,平均检测速度达30帧/s。结论 本文方法有效实现了白酒瓶盖表面瑕疵快速、准确地检测,可广泛应用于瓶装白酒生产过程中瓶盖表面检测。     

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%。     

遥感图像中飞机的改进YOLOv3实时检测算法

针对遥感图像中的飞机目标, 本文提出一种遥感图像飞机的改进YOLOv3实时检测算法。首先, 针对单一的遥感图像飞机目标, 提出一种有49个卷积层的卷积神经网络。其次, 在提出的卷积神经网络上应用密集相连模块进行改进, 并提出使用最大池化加强密集连接模块间的特征传递。最后, 针对遥感图像中飞机多为小目标的现实, 提出将YOLOv3的3个尺度检测增加至4个并以密集相连融合不同尺度模块特征层的信息。在本文设计的遥感飞机测试集上进行训练和测试, 实验表明, 该算法的检测精度达到96.26%、召回率达到93.81%。     

图像处理的货车侧面防护装置安装位置的研究

提出一种基于图像处理的货车侧面防护装置尺寸参数快速检测系统.在收费站的匝道安装摄像系统对货车侧面防护装置进行图像采集,通过图像预处理、边缘提取、目标识别与提取,实现货车侧面防护装置和货车轮胎的识别,实现防护装置和货车车轮间距离及离地距离的快速检测,并对货车侧面防护装置尺寸是否符合国家标准进行判定.实验结果表明,该方法能实现目标边缘距离的检测,检测误差小于10mm,满足GB11567—2001《汽车和挂车侧面防护装置要求》对防护装置安装位置的要求.     

基于解析法的旁支管共振消声带宽计算

旁支管是应用广泛的共振消声结构。应用解析方法推导旁支管共振结构的传递损失和共振频率计算公式,考虑三维修正,给出旁支管共振消声带宽与各种参数的定量关系,定义消声带宽与共振频率的比值为带宽参数,研究带宽参数与传递损失以及旁支管其他参数的变化关系,最终给出旁支管共振消声带宽计算公式。最后,通过三维有限元方法(Finite Element Method,FEM)计算旁支管的消声带宽并与文中公式结果进行比较,结果显示,两种结果吻合良好,验证了计算公式的可靠性和准确性。     

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。     

采用阈值的快速边缘检测算法

针对原有模糊边缘检测算法计算复杂、适应性差的缺点,提出一种新颖的快速边缘检测算法。该算法将图像映射为一个模糊特征面,通过图像自适应阈值来确定模糊增强的渡越点。在渡越点上对图像进行非线性增强。算法将“Min”与“Max”算子结合起来提取边缘,避免了使用单一算子检测边缘强度较弱的缺点。该方法避开了原算法中复杂的指数运算,运算量减少了40%左右;渡越点的自适应性提高了算法的适应性。仿真表明,该算法检测的边缘细、连贯,并且算法抗噪能力强。     

基于神经网络和功率谱的水中目标信号检测方法

将功率谱和神经网络相结合，应用于高海况、低信噪比条件下，水中目标信号的特征提取中．文中首先对信号进行功率谱估计，利用目标信号功率主要集中在低频部分的特点，提取低频信号的能量作为特征，然后利用人工神经网络对目标信号进行检测．利用不同浪级情况下海洋水压场的仿真信号数据，对某型目标舰船的水压信号进行了检测计算，验证了该方法的有效性，尤其是达到了在高海况、低信噪比条件下，对目标信号检测率比较高、虚警率比较低的效果．     

IEEE802.11a的OFDM系统帧检测研究

基于IEEE802.11a对OFDM系统中的帧检测进行了研究.由于OFDM帧结构的特殊性,即在帧的开头具有完全相同的16个短前导字,故其具有良好的相关性,鉴于此提出了一种低复杂度的帧检测方法.这种方法在信噪比为10 dB以上的信道性能良好,与目前的帧检测方法比较起来具有硬件实现复杂低,门限设置简单的优点.     

基于改进YOLOv5s的腌制蔬菜真空包装缺陷检测

目的 针对传统的基于人工的腌制蔬菜真空缺陷包装剔除效率低、漏检率高等问题,提出一种基于改进YOLOv5s的腌制蔬菜真空包装缺陷检测方法。方法 首先,使用Ghost卷积替换CSP模块中的卷积,在提高模型特征提取能力的同时降低网络的参数量;其次,利用空间换深度(Space-to-Depth, SPD)和深度可分离卷积(Depthwise-Separable Convolution, DSConv)组合操作SPD–DSConv进行下采样,减少下采样造成的特征信息损耗;最后,在网络中引入SE注意力机制,提高算法的精确率。结果 在自制的腌制蔬菜真空包装数据集上,改进后的网络平均精度(man Average Precision, A_mAP)为93.88%,模型尺寸为3.91MB,相比原网络精度提高了2.05%,模型尺寸缩减了44.38%。结论 文中方法能够实现腌制蔬菜真空缺陷包装的分类和定位,为基于机器人的缺陷包装剔除奠定了基础。