基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于改进YOLOv5s的大米外观品质无损检测模型

针对大米在外观品质中需要快速识别需求,提出了一种基于改进YOLOv5s网络的大米外观品质识别模型(CG-YOLOv5)。为提高大米的识别率,文本增加了小目标检测层。其次,为使模型轻量化,用Ghost模块代替YOLOv5s的骨干网络。为进一步提升模型的性能,通过试验研究了不同的注意力机制对模型性能的影响,最终选取CBAM注意力机制加入到YOLOv5s网络中。为直观CBAM注意力机制的效果,对大米图像进行了特征图可视化。试验结果表明修改后的网络的mAP达到了96.5%,相比YOLOv5s网络提升了4.3个百分点。在相同数据集下,与8种主流的检测网络进行对比,并在不同光照情况下的试验结果表明,该方法的检测mAP和检测时间皆优于其它8种检测网络；在检测时间上,该方法的平均检测时间为41ms,相较于YOLOv3快119ms,相较于YOLOv4-tiny快35ms。该方法具有优异的检测精度以及良好的鲁棒性和实时性,可以用于大米品质检测中。     

基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明：改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。     

基于深度学习的毛/粘混纺织物混纺比检测技术

针对常规织物混纺比检测方法工作效率低的问题,提出一种基于深度学习技术的毛/粘混纺织物混纺比检测方法。以单阶段目标检测算法(YOLOv5)为基础,采集羊毛纤维和粘胶纤维的光学显微镜图像构建数据集,使用CSPDarknet53网络(Cross Stage Partial Network)从数据集中提取纤维特征,通过特征金字塔(FPN)和路径聚合网络(PAN)结合的方式完成不同层次特征的融合;在主干网络引入卷积注意力模块(CBAM)以加强局部特征的提取能力。训练后的YOLOv5模型平均精度均值达0.93,可实现毛/粘混纺织物混纺比的自动检测。采用光学显微镜法和化学溶解法对模型的可靠性进行校验,差异在2%以内,说明该方法在毛/粘混纺织物混纺比快速检测领域具有良好的应用前景。     

基于YOLOv5的咖啡瑕疵豆检测方法

目的:实现咖啡豆瑕疵检测。方法:提出一种基于改进YOLOv5s网络,以YOLOv5s为基线网络嵌入并优选不同的注意力机制模块与激活函数。结果:使用CBAM模块与激活函数Hardswish的平均精度均值相比基线网络分别提高了5.3%和2.9%。经过200次迭代训练,模型准确率为99.5%,平均精度均值为97.6%,召回率为0.98,识别速率为64幅/s,模型大小为15 M。结论:相比于Faster RCNN、SSD、YOLOv3、YOLOv4、YOLOv5s,试验算法识别准确率更高,模型更加轻量化,对咖啡瑕疵豆的识别效果更好。     

基于YOLOv5n的轻量级织物疵点检测算法

针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。实验表明：该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP₅₀、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。     

基于深度学习的白酒酒花实时分类方法

目的:解决白酒传统摘酒方法“看花摘酒”的主观性和不稳定性,以及现有机器视觉酒花分类方法难以满足实时分类的问题。方法:轻量型YOLOv5以YOLOv5s作为初始模型,使用K-mean聚类的锚框取代默认锚框,以提高模型检测精度和稳定性,使用ShuffleNetV2网络替换YOLOv5s主干网络进行特征提取,以达到轻量化模型的目的,并增加CBAM注意力机制使模型更加关注酒花特征。结果:与YOLOv5s初始模型相比,轻量型YOLOv5模型占用内存减少92.5%,参数量减少93.7%,计算量降低63.4%,检测精度提升2.8%,FPS高达526。结论:轻量型YOLOv5降低了对硬件配置的要求,可以很好地实现酒花实时检测分类。     

基于改进RefineDet的织物疵点检测

为了实现织物疵点的自动检测与分类,提出了一种基于改进RefineDet的疵点检测方法。首先,将VGG16改为全卷积网络对织物图像特征进行提取;其次,为了获取疵点重要的特征并抑制不必要的特征,在Anchor细化模块(Anchor refinement module, ARM)中加入了注意力机制;为了提高网络的分类性能,在传输连接块(Transfer connection block, TCB)中加入了SE模块(Squeeze and excitation, SE);最后,目标检测模块(Object detection module, ODM)将检测的结果回归到准确的目标位置,并预测疵点的类别,对疵点进行定位。结果表明：本文算法对孔、污渍、纱疵和线状4种类别织物图像的均值平均精度mAP达到了79.7%,比传统RefineDet检测方法均值平均精度提高了5.0%,具有良好的分类和定位效果。     

面向织物疵点检测的缺陷重构方法

为解决复杂图案织物疵点检测精度不足的问题,通过将疵点视为对织物纹理的破坏,利用生成对抗神经网络对疵点图像进行重构,使其恢复成正常织物纹理的图像,然后将重构图像与缺陷图像进行求异计算,对求异结果进行图像分割,实现疵点检测目的。同时引入自注意力机制、L1损失函数和改进的结构损失函数用于改进生成对抗神经网络结构及其损失函数,用以分析并解决疵点图像重构精度差和网络处理图像细节能力的不足。最后采用本文方法与无监督缺陷检测算法(ReNet-D)和SDDM-PS 2种方法对5种不同复杂图案织物疵点进行实验对比,结果表明本文方法检测精度更高。     

基于改进YOLOv4模型的番茄成熟度检测方法

目的:解决现有番茄成熟度检测方法存在的检测精度低和模型参数量多等问题。方法:基于番茄图像采集系统,提出了一种改进的YOLOv4模型用于番茄成熟度自动检测。将轻量级网络MobileNetv3网络引入模型替换CSPDarkNet53网络,降低模型复杂度。在SPP模块中采用平均池化替代最大池化,提高算法对小目标的检测精度。在上采样过程中引入注意力机制CBAM增强深浅层特征融合能力,并通过试验验证所提模型的可行性。结果:与常规方法相比,试验方法在番茄成熟度检测中具有较高的检测mAP值和运行效率,且模型参数量较少,mAP值为92.50%,检测速度为37.1 FPS,模型参数量为48 M。结论:该番茄成熟度检测方法能有效降低模型参数和检测时间,具有较高的检测mAP值。     

基于注意力机制改进的YOLOv7服装缝线疵点检测方法

针对目前肉眼检测服装缝线疵点效率低下、成本较高、准确率不高、容易出现漏检和误检等问题,文章利用深度学习的方式对服装缝线疵点进行实时检测,构建了一个服装缝线疵点检测的数据集,包含了常见的服装缝线疵点类型,提出了一种基于注意力机制的YOLOv7算法SK-YOLOv7,在YOLOv7的骨干网络添加3个SK模块,以增强主干网络的特征提取能力,并引入CBAM-YOLOv7和SE-YOLOv7算法进行对比实验。实验结果表明：SK-YOLOv7具有较高的查准率及查全率,平均检测精度也有所提高。SK-YOLOv7相较于CBAM-YOLOv7和SE-YOLOv7在缝线检测上表现更好。文章对数据集采用不同的标记方式进行对比测试,发现对疵点区域进行一次标记的方法会导致特征大量丢失,而对疵点区域内进行分块标记的方法表现出了更好的检测效果。综合实验结果得出,基于注意力机制改进的YOLOv7服装缝线疵点检测方法是可行的,可以较好地推动纺织服装检测行业的发展进步。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。      

改进YOLOv7的纸张表面缺陷检测研究

提出一种改进YOLOv7的纸张表面缺陷一步式检测算法。首先将注意力机制模块CBAM融合到主干和特征提取网络结构,从空间和通道2个维度提取信息,提升小目标纸病特征提取准确性和算法稳定性;将ASPP空洞卷积加入主干网络SPP中,ASPP可以进一步扩大感受野,使较小目标的特征信息在网络传递时得到保留,解决了小目标信息量不足的问题,进而提高小目标纸病识别的性能。通过自制纸病数据集检测实验,与YOLOv7相比,精确率、召回率及平均精确率均值mAP 0.5分别提升了1.5、2.3和2.1个百分点。     

基于迁移学习和改进ResNet50网络的织物疵点检测算法

针对目前工业现场织物疵点检测准确率低、速度慢和疵点识别种类少的问题,提出一种改进ResNet50网络的织物疵点检测算法。首先对数据集进行预处理,对数据样本切割增强生成模型训练集,包括无疵点和8类常见疵点类别;然后改进ResNet50网络结构,提取在大型数据集ImageNet上预训练好的权重参数迁移学习;最后反复调整超参数训练得到的疵点检测识别模型。通过多组对比实验结果表明,改进模型对正常织物和8类常见疵点识别准确率达到96.32%,比标准模型精度提升4.2%,速度提升1倍。在不同织物疵点数据集中测试,综合性能最好,泛化能力强,鲁棒性好,可以满足工业生产现场织物疵点检测需求。     

高斯混合模型在印花织物疵点检测中的应用

为了实现印花织物疵点的自动检测,提出了一种基于改进的高斯混合模型的疵点检测方法。该方法针对传统高斯混合背景模型应用于疵点检测中所出现的精度不高的问题,充分利用印花织物图像像素间具有很强相关性的特点,引入自适应分块建模的思想来实现印花织物疵点的检测。实验结果表明,使用该方法进行疵点检测,正确率可以达到94%。不仅如此,该方法还能有效处理检测过程中所出现的光照不均和噪声等问题,是一种非常适合于对印花织物进行疵点检测的方法。     

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明：提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。     

基于改进YOLOX模型的樱桃缺陷及分级检测

目的:实现工业化条件下樱桃的快速分级。方法:采用YOLOX网络对缺陷果进行检测,通过为特征金字塔网络设置适当的融合因子来提高不明显缺陷的检测精度,并将Focal Loss集成到损失函数中;使用YOLOX网络对完好果进行分级,引入注意力机制CBAM来加强网络特征提取。结果:樱桃表面缺陷的平均检测精度为97.59%,大小和颜色分级的平均检测精度为95.92%。结论:改进后的YOLOX网络可明显提升樱桃缺陷及分级检测的精度。     

基于改进YOLOv5的纸病检测方法

针对传统纸病检测算法中纸病特征提取困难、实时性差的问题,提出一种改进YOLOv5的纸病检测方法。该方法首先在批量归一化模块的首尾部分添加居中和缩放校准,形成更稳定的纸病有效特征分布;其次在骨干网络中添加坐标注意力机制,增强骨干网络的纸病特征提取能力;最后选用 CIoU_loss作为边界框回归的损失函数,实现高精度的定位。实验结果表明,改进后的算法平均精度达99.02%,实时检测速度达41.58 帧/s,相较于现有的基于CNN纸病分类算法,检测精度与检测速度都有较大的提升,且改进后的算法对光源的依赖程度更低,能对各类纸病实现精准辨识。     

基于深度信念网络的织物疵点检测

为提高织物疵点检测精度和效率,提出了一种基于深度信念网络的织物疵点检测方法。用改进的受限玻尔兹曼机模型对深度信念网络进行训练,完成模型识别参数的构建。利用同态滤波方法对图像进行预处理,使疵点图像更加清晰,同时抑制了背景图像。以Python语言,基于TensorFlow框架构建深度信念网络模型,对织物疵点图像进行处理得到学习样本,确定模型激活函数后,分析了各模型参数对织物疵点检测准确率的影响规律,得到激活函数为Relu, Dropout值为0.3,预训练学习率为0.1,微调学习率为0.000 1,批训练个数为64时,模型参数值达到最优。最后,利用在无缝内衣机上采集到的各类疵点图像,对深度信念网络织物疵点检测模型进行验证。结果表明：所提出的织物疵点检测方法能够快速、有效地对织物疵点进行检测和分类识别,准确率达到98%。     

基于CBAM-InceptionV3迁移学习的食品图像分类

为提高食品图像自动识别分类的准确率,提出一种嵌入通道注意力机制和空间注意力机制的卷积块注意力模块(CBAM)的“开端”第三版(Inception V3)分类模型。将带有图像网络(ImageNet)预训练权重参数的InceptionV3模型拆分后,在每个Inception块后嵌入CBAM模块,再重新组装成新模型,共嵌入11个CBAM模块。将此模型用于经过填充和缩放到299×299像素的Food-101食品图像数据集进行迁移学习,最高准确率达到82.01%。与原始的InceptionV3模型相比,CBAM模块能够有效提升模型的特征提取和分类能力;同时迁移学习与从头开始训练相比也可以大幅提高准确率、缩短训练时间。与其它几类主流卷积神经网络模型进行对比实验,结果表明该模型具有较高的识别准确率,可为食品图像分类识别提供有力支撑。