融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

改进 YOLOv5 网络的带钢表面缺陷检测方法

带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。 针对当前带钢缺陷检测算法精度有待提高等问题,提出 了一种基于 YOLOv5 网络改进的算法模型 MT-YOLOv5。 首先在主干网络中引入 Transformer 自注意力机制,使主干网络更聚焦 于图像全局特征信息的提取;其次采用 T-BiFPN 网络结构,将 Transformer 层与 BiFPN 网络结构相结合,进一步增强了图像浅层 特征信息与深层特征信息的融合;然后引入改进后的轻量化网络 RepVGG 替换主干网络中的部分卷积层,增强主干网络的特征 提取能力;最后增加预测层,检测不同尺度的目标。 实验结果表明,MT-YOLOv5 算法在 NEU-DET 数据集上的均值平均精度 (mAP)达到了 82. 4%,较原 YOLOv5s 算法提高了 5. 3%,检测速度为 65. 4 fps,更好地均衡了检测速度与检测精度。     

融合深度迁移学习和改进ThunderNet的 瓷砖表面缺陷检测

瓷砖生产过程中由于环境的复杂性和随机性导致缺陷特性各异,实际中要构建大规模、高质量的瓷砖表面缺陷数据样本非常困难,而小样本条件下的可分特征信息不足对瓷砖表面缺陷检测的精度有较大影响。针对这一问题,探索了一种融合深度迁移学习和改进两阶段ThunderNet网络的瓷砖表面缺陷检测方法。首先,提出了一种基于改进ThunderNet网络的瓷砖表面缺陷检测模型,阐述了模型的结构与功能特点;其次,构造了瓷砖表面缺陷深度特征空间参数迁移决策机制,以有效提升样本特征表征能力;第三,基于可切换空洞卷积（switchable atrous convolution, SAC）优化ShuffleNet骨干网络,增强模型对缺陷形状变化的学习能力;第四,提出了基于多尺度映射和通道注意力（squeeze and excitation, SE）的特征融合算法,实现有限特征层次中瓷砖表面缺陷特征信息多层次差异化表征;最后,给出了融合深度迁移学习和改进ThunderNet网络的瓷砖表面缺陷检测算法。实验数据表明,在相同的瓷砖表面缺陷测试集上,本文方法对于小样本条件下瓷砖表面缺陷检测具有优越的性能,模型平均精度、平均召回率和平均检测速度分别达到87.22%、93.69%、61.6 ms/img,与传统ThunderNet模型相比,平均精度和平均召回率分别提高了9.30%、4.16%,其中,基于SAC最优空洞率组合{1,2},模型精度提高了5.51%,基于SE的最优压缩率24,模型精度提高了6.16%,基于本文迁移机制,模型精度提高了3.86%,同时加速了网络收敛。本文方法相比于传统ThunderNet网络和其他主流检测模型,通过迁移机制知识共享提高小样本对象特征表达能力,通过引入SAC和SE在控制模型规模的前提下实现对象特征的层次化表征,有效提升了模型的实时性和可靠性。     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

ECC-YOLO：一种改进的钢材表面缺陷检测方法

针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。     

基于改进YOLOv5的印刷电路板缺陷检测

为解决印刷电路板缺陷检测中缺陷类别易混淆,缺陷目标微小难以检测的问题,提出了一种改进的YOLOv5检测模型。在骨干网络引入Swin-Transformer架构,获取局部和全局信息的多尺度特征。增加一个针对小目标的预测特征层,新的多尺度特征融合和检测结构使模型学习更加全面的特征信息。使用ECIoU＿Loss作为损失函数,实现电路板缺陷检测速度和准确率协同优化。实验结果表明,改进后的YOLOv5模型在PCB Defect数据集上的平均准确率为98.7%,达到了99.7%的预测精确率和97.4%的召回率,比当前主流的检测模型性能更优越,改进后的YOLOv5模型能更有效的对电路板缺陷进行分类和定位。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式，绝缘子缺陷的检测是无人机巡检中的重要环节。因此，提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先，使用轻量型的Ghost卷积代替普通卷积；然后，使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络，提高网络对不同尺度的特征提取能力；最后，引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明，绝缘子检测的平均精度值提升了1.7个百分点，模型大小减少了13.1%，改进后的算法模型在提升检测精度的同时更加轻量化，可实现绝缘子缺陷的快速检测。     

基于YOLOv5的轻量化端到端手机检测方法

针对监控图像中手机尺寸较小、分辨率低且特征不明显等问题，给检测算法研究带来了困难。提出了一种改进的YOLOv5网络模型方法用来识别手机的使用。改进的检测算法引入轻量级网络GhostNet作为主干提取网络，将GhostConv模块、C3Ghost模块分别代替主干网络中的Conv基本卷积模块和C3模块，减小网络参数和复杂度；同时，将注意力机制CBAM引入到主干网络中，减少融合后冗余特征的影响，提取到目标区域中更加关键的特征信息；使用四尺度特征检测，在原算法基础上对应的增加检测层，用以提高更小目标的检测精度。实验结果表明，改进后的YOLOv5算法准确率达到95.7%,平均精度达到97.1%,比改进前训练的准确率和平均精度分别提升了2.5%和1.8%,运算量和参数量较改进前分别减少了14.3%和24.5%。改进的YOLOv5算法不仅具有轻量化优势，同时保证了准确率和平均精度。该方法为智能监测技术行业违规使用手机提供了理论依据和技术参考。     

基于改进YOLOv5的PCB缺陷检测方法

印刷电路板作为电子产品不可或缺的重要组成部分，其市场需求量与日俱增，因此制造无缺陷的PCB具有重要意义；针对PCB缺陷检测中待检测的缺陷目标较小且多数检测目标与背景容易混淆导致的误检漏检，改进的算法在原生YOLOv5算法的骨干网络中引入坐标注意力机制，在颈部网络中引入Transformer Encoder并增加一个适用于小目标的高分辨率检测头，并且将选定锚框的交并比算法部分改为更先进的E-IoU。相较于原生YOLOv5算法，根据算法评价指标精确率，召回率和平均检测精度均值的结果,改进后的算法性能有显著提升，其中平均检测精度均值更是高达98.46%，且检测速度也达到了72.4 Hz，可以满足工业现场对PCB缺陷检测的精度要求。     

轻量化的印刷电路板缺陷检测网络 Multi-CR YOLO

针对印刷电路板表面缺陷目标小,检测精度低问题,设计了印刷电路板表面缺陷检测网络Multi-CR YOLO,满足实时检测速度的前提下,有效提高了检测精度。首先,由3个Multi-CR块组成的主干特征提取网络Multi-CR backbone对印刷电路板小目标缺陷进行特征提取。其次,SDDT-FPN特征融合模块使层级高的特征层向层级低的特征层进行特征融合,同时为小目标预测头YOLO Head-P3所在特征融合层加强特征融合,进一步增强低层特征层的表达能力。PCR模块加强主干特征提取网络与SDDT-FPN特征融合模块不同尺度的特征层的特征融合机制,且防止模块之间进行特征融合时信息丢失。C₅ECA模块负责自适应调节特征权重和自适应注意小目标缺陷信息的要求,进一步提高了特征融合模块的自适应特征提取能力。最后,3个YOLO-Head负责针对不同尺度的小目标缺陷进行预测。实验表明,Multi-CR YOLO网络模型检测mAP达到98.55%,模型大小为8.90 MB,达到轻量化要求,检测速度达到了95.85 fps,满足小目标缺陷实时检测的应用需求。