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。     

基于深度学习的铝合金轮毂铸件图像缺陷检测

基于传统X射线图像的铝合金轮毂铸件缺陷检测方法存在人工检测效率低、误检率高、检测精度较差等问题,提出一种基于深度学习的铝合金轮毂铸件图像缺陷检测方法。通过引入直方图均衡化方法,实现533组铝合金铸件X射线图像缺陷特征增强;同时基于Mosaic数据增广策略随机生成含有多尺度不同缺陷类型的新图像数据,提升图像的复杂度;修改了YOLOv5主干网络,引入SENet注意力机制模块对输入特征图的重要通道进行特征提取增强。结果表明,该方法对铸件缺陷平均检测精度(mAP)达到了99.6%,对比YOLOv3、YOLOv4以及YOLOv5主流算法,平均检测精度分别提升了9%、5.1%、4.2%。相较于原网络模型,常见的4种类型(气孔、缩松、裂纹、夹杂)铸件缺陷平均检测精度提升了10.83%。该方法具有更好的泛化能力,可实现铸件多类型缺陷的自动检测,能够满足工业实际需求。     

基于预处理与卷积神经网络的塑件划痕检测

为了在复杂的随机化纹理背景下准确地检测出塑件划痕缺陷,克服传统图像检测方法需要较多的启发式信息和人为设计特征的弊端,提高检测方法的适应性和实用性,以塑件划痕缺陷为研究对象,采用一种结合图像预处理与卷积神经网络的检测方法对塑件划痕进行检测。该方法首先通过简单的图像预处理将输入图像转变为基本特征图,然后利用卷积神经网络自动提取图像的特征,实现对塑件划痕的检测。试验结果表明,该方法对塑件划痕识别正确率达到98.37%,高于基于BP神经网络方法31.87%;对塑件划痕图像的识别正确率大于99%,在工业生产环境下具有较好的适应性,有一定的应用意义。     

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YOLO模型的工业铝片缺陷检测

针对目前铝片表面缺陷的目标检测存在很多问题,包括现场大规模算法和计算设备的不适用性,以及检测速度和精度之间的平衡等,提出了一种基于注意力机制的新颖轻量级检测方法。在YOLOv4框架的基础上提出GBANet主干网络,其基于一个新的卷积Ghost模块构建并将改进的注意力模块嵌入在堆叠的Ghost块中。对颈部网络进行了特征融合的重新设计和轻量化,增加感受野,通过SPPF-PANet模块简化网络并通过改进anchor box和损失函数等措施增强模型对缺陷对象精确性。实验表明,所提方法较原YOLOv4提高1.06%的mAP,检测速度达到了36.6 fps,模型体积减少了82.72%,并能有效识别铝型材表面不同种类的缺陷。所提方法能够满足铝型材工厂生产现场缺陷检测要求。     

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。     

基于OpenCV的工件尺寸与划痕检测算法研究

针对制造业水平的不断发展对检测技术提出高精度、高速度、低误差的要求,提出一套工件尺寸与划痕检测算法。该算法基于OpenCV视觉库与工业相机,在适当的光源平台下运行,提取工件的轮廓尺寸和表面划痕,再利用相机标定参数求解出工件的实际尺寸。检测结果表明:提出的检测算法比传统的Hough变换直线检测算法检测误差小,划痕检测十分精确。     

基于改进SSD算法的轻量级铸件分拣检测

针对当前铸件混流分拣线中,高相似度铸件检测准确率低、速度慢的问题,提出一种基于SSD的轻量级多铸件高效检测方法。首先,用融合轻量级ECA注意力机制的MobileNetv2替换SSD模型的主干网络,解决因轻量化设计而损失精度的问题;其次,采用反向残差层替换原SSD的卷积预测层,进一步轻量化算法,解决SSD算法因网络结构复杂,参数量和浮点计算量较大的问题。实验结果表明,所提出的算法在多铸件检测上,mAP达到97.10%,检测速度为46.84帧/s。相比SSD算法,GFLOPs降低了41倍,参数量减少至4.34 MB,在保证精度与速度的同时,降低了算法对硬件设备的需求。     

融入协调注意力的MobileNetV2模型对铝带材表面缺陷识别的研究

在高端铝合金板带材生产过程中,准确、快速地识别和分析铝带材表面缺陷是控制带材表面质量的基础,也是现代智能生产过程智能感知的重要基础。针对气垫式连续热处理及表面处理生产线的高端铝合金汽车板、航空板的表面质量缺陷问题,采用融入协调注意力的MobileNetV2模型进行缺陷图像识别,提高模型对铝带材缺陷图像特征提取能力;融入协调注意力的MobileNetV2模型的准确率高达94.97%,准确率比原始MobileNetV2模型高1.34%,效果比肩ResNet50、VGG16模型;融入协调注意力的MobileNetV2模型的参数量仅1.52 MB,远远低于ResNet50、VGG16模型的参数量;该模型对缺陷识别精度高、识别速度快,具有很好的应用价值。     

基于改进YOLO V5的缺陷识别与定量分析

采用YOLO V5算法对碳纤维复合材料预置夹杂缺陷的识别方法展开研究。为了在提高检测精度的同时保证检测效率,通过添加通道注意力机制、空间注意力机制、使用k-means++重新聚类先验框和优化损失函数等措施改进原算法。利用改进后的网络训练缺陷数据集,每秒处理的图片数量逾12幅,平均精度达到98.8%,召回率为98.1%。与其他算法相比,该算法检测精度和速度都有所提高,可满足实时性和准确性要求。     

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BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明：该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。     

基于改进DANN和注意力机制的轴箱故障诊断方法

针对变工况条件下现有深度学习网络模型对滚动轴承故障分类效果不佳的问题,以滚动轴承实验台数据为研究对象,提出迁移学习和注意力机制相结合的滚动轴承故障诊断方法。结合域对抗神经网络(DANN)与宽卷积核卷积神经网络(WDCNN)得到新的网络诊断模型(WDAANN),并通过对目标域的带标签数据进行训练以优化网络参数;结合注意力机制方法使所提网络获得更好的分类能力,从而实现变工况下的滚动轴承故障诊断。最终将该方法与传统CNN、DANN、WDAANN等模型进行对比验证。结果表明:所提方法的准确率提高,且模型的跨域诊断能力提高;所提网络的性能相比WDCNN、CNN及WDAANN网络明显提升,验证了所设计模型的优越性。     

基于边缘AI的焊缝X射线图像缺陷检测

为了提高深度学习在X射线焊缝缺陷检测中的实用性,降低缺陷检测任务的硬件需求,提出模型参数量仅为3.6?M的YOLO-M网络.?通过在网络中引入轻量级的倒残差结构,减少网络计算量;采用多尺度预测机制,网络分层预测不同缺陷特征;跨网格扩增图片正样本信息,加快网络训练过程中的收敛速度.?结果表明,YOLO-M网络不仅应用于传...     

融合少样本学习与注意力端到端网络的小目标在线检测研究

小目标检测是计算机视觉领域的研究方向之一,旨在解决在图像或视频中检测和定位尺寸较小的目标的问题.由于小目标往往具有低分辨率、模糊、被遮挡等特点,传统的目标检测算法在处理小目标时存在挑战.对此,提出一种融合少样本学习与注意力端到端网络的小目标检测方法.该方法通过引入图像增强技术和注意力机制,对传统的端到端检测网络进行优化,以提高检测性能.通过数据增强方式,对原始数据进行扩充,增加数据的多样性和数量;引入注意力机制,提取图像中的关键信息,以提升检测结果的准确性;最后,在网络结构方面,将原有的特征金字塔网络(FPN)替换为加权双向特征金字塔网络(BiFPN),以获取更丰富的图像特征.实验结果表明:通过图像增强和注意力机制,所提方法的精准率、召回率、平均精度均值和检测速度在训练尺度为 640 像素×640 像素时分别为 98.41%、99.54%、99.50%和 28帧/s,相较于YOLOv5 算法分别提升了 2.91%、5.9%、1.93%和 2 帧/s,验证了该方法的有效性和可行性.     

基于机器识别的带钢表面缺陷检测研究

针对传统带钢表面缺陷检测技术落后、效率不高及小目标识别能力不足等问题,提出一种改进的YOLOv5s-Tiny目标检测模型,在保持模型较小计算量的同时提升检测速度和识别精度。通过将主干网络GSP-Darknet53替换为轻量级GhostNet网络,减少模型参数的数量,提高推理速度。在主干网络加入CBAM注意力机制,通过通道注意力机制和空间注意力机制对特征信息进行融合增强,提高小目标检测精度,并将损失函数GIoU改进为EIoU,提高检测框定位能力。最后将改善后的训练模型格式转换后安装到手机安卓端验证优化的有效性。结果表明：在东北大学数据集中,改进后模型检测精度提高1.5%的同时,召回率提升了1.5%,参数量减少12.3%;安卓端检测速度约为120 ms,完成带钢缺陷的实时检测。     

一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。     

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。