共查询到10条相似文献,搜索用时 31 毫秒
1.
基于深度智能视觉的表面缺陷检测研究在制造业中起着越发重要的作用,本文阐述深度智能视觉的表面缺陷检测在现代工业质检中的重要性,对现有研究进展进行梳理总结。深度智能视觉以机器视觉和深度学习为技术基础,为不同工业场景提供高精高效的表面缺陷检测算法。本文从检测细粒度的角度将表面缺陷检测分为表面缺陷分类、定位、分割检测3个部分,并分别对分类、定位、分割方法进行系统综述,梳理现有表面缺陷检测研究的问题和思路。分类检测针对数据和缺陷图形特征问题进行研究,因其基础性和易拓展性于不同工业场景的应用呈现分散发展;定位检测以模型框架、矩形框检测和标注成本为主要问题,表现出追求轻量化和特征融合机制的研究趋势;分割检测更关注图像细节特征。通过研究分类、定位、分割的多任务模型框架以探索分类、分割检测之间的互补性。最后总结目前表面缺陷检测研究存在的问题,并对发展趋势进行展望。 相似文献
2.
针对现有火灾检测算法仍存在的模型复杂、检测速度慢、误检率高等问题,提出一种基于级联稀疏查询机制的轻量化火灾检测网络LFNet。首先,建立了轻量化的图像特征提取模块ECDNet,其通过在YOLOv5s主干网络中嵌入轻量化注意力模块ECA (efficient channel attention),用于解决火灾检测中火焰与烟雾的多尺度难点;其次,利用深层特征提取模块FPN+PAN,对不同层级的特征图进行深度处理和多尺度融合;最后,利用嵌入轻量化的级联稀疏查询模块CSQ (cascade sparse query)提升对早期火灾中的小火焰与薄烟雾的检测准确率。实验表明,本文方法在mAP和Precision等客观指标上的综合表现达到最优,同时在实现较高检测精度时的参数量也较低,能够满足实际场景的火灾检测要求。 相似文献
3.
4.
5.
基于YOLOv5s网络的垃圾分类和检测 总被引:2,自引:0,他引:2
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. 相似文献
6.
目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.0000506,只使用Inception-V3算法的准确率为97.70%,方差为0.000251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。 相似文献
7.
8.
目的 为减少ZB47包装机小包拉线缺陷投诉,基于无监督深度神经网络构建一种小包拉线缺陷视觉智能检测方法。方法 首先,在ZB47包装机CH转塔部位设计并加装小包图像采集装置,获得实时高清晰度小包图像。其次,将小包图像根据拉线位置进行固定位置的裁剪,从而减轻不同工况的环境背景影响并且加快检测速度。然后,构建自编码器–编码器结构的主干网络,同时叠加生成对抗网络中的判别器模块组成缺陷判别模型,并综合采用图像间、图像隐空间以及图像特征间的信息构建模型的损失函数。最后,使用裁剪后的正常小包拉线图像对构建的缺陷判别模型进行训练,并基于所有的正常小包图像得到异常阈值。结果 实际验证阶段,待检测图像的得分大于异常阈值即判断为异常图像,触发CH转塔部位的小包剔除装置将该缺陷小包剔除。生产现场测试表明,所提方法可以对典型小包缺陷进行快速准确检测,缺陷检测准确率为99.99%。结论 该方法能够满足生产现场卷烟小包拉线缺陷检测的准确性和实时性要求。 相似文献
9.
目的 针对目前智能垃圾分类设备使用的垃圾检测方法存在检测速度慢且模型权重文件较大等问题,提出一种基于YOLOv4的轻量化方法,以实现可回收垃圾的检测。方法 采用MobileNetV2轻量级网络为YOLOv4的主干网络,用深度可分离卷积来优化颈部和头部网络,以减少参数量和计算量,提高检测速度;在颈部网络中融入CBAM注意力模块,提高模型对目标特征信息的敏感度;使用K-means算法重新聚类,得到适合自建可回收数据集中检测目标的先验框。结果 实验结果表明,改进后模型的参数量减少为原始YOLOv4模型的17.0%,检测的平均精度达到96.78%,模型权重文件的大小为46.6 MB,约为YOLOv4模型权重文件的19.1%,检测速度为20.46帧/s,提高了约25.4%,检测精度和检测速度均满足实时检测要求。结论 改进的YOLOv4模型能够在检测可回收垃圾时保证较高的检测精度,同时具有较好的实时性。 相似文献
10.
针对声呐图像存在的模糊、样本量不足的现象,本文提出一种基于YOLOv5的声呐图像目标检测改进算法。利用几何滤波、垂直翻转等方法,对声呐图像数据集进行数据增强。添加融合注意力机制模块,使算法更好地关注声呐图像小目标的特征。同时,针对目前大多数目标检测算法运行在云端,无法做到实时性声呐图像检测的问题,本文利用替换轻量级网络和NCNN边端移植技术,同时在颈部网络中采用GSConv模块,将算法成功移植到ZYNQ平台,实现声呐图像的嵌入式端实时检测。实验表明,本文提出的算法在降低了56%参数量的同时,在map50和map50-95上分别提高2.2%和2.5%。改进后的算法性能提升明显,证明所提出的方法在轻量化声呐图像目标检测任务上具有一定的可行性与有效性。 相似文献