基于改进YOLOv5s的光伏电池EL缺陷图像检测模型

针对光伏电池电致发光(electroluminescence, EL)缺陷图像存在复杂背景干扰、缺陷目标长宽比和尺寸变化大等问题,在YOLOv5s网络的基础上提出一种改进的YOLOv5s-GD检测模型。首先在特征提取层融合GhostNetV2模块,通过聚合本地和远程信息同步,在压缩模型参数量的同时增强模型对缺陷特征的提取能力;其次在特征融合层引入改进的DenseNet密集网络模块,通过特征重用进一步深度融合多级特征并改善信息传递,有效减少缺陷图像检测中漏检误检的情况;最后添加坐标注意力(CA)机制模块,兼顾通道和空间信息进行特征增强,提高了模型对缺陷目标区域的关注程度。与YOLOv5s原网络相比,YOLOv5s-GD检测模型在增长少量参数的情况下mAP@0.5提升了3.3%,mAP@0.5:0.95提升了2.8%。研究结果表明,提出的YOLOv5s-GD检测模型对光伏电池EL缺陷图像可以有效地定位识别,检测精度有了显著的提高,同时检测速度达到75 fps,为实际工业生产环境中光伏电池EL缺陷图像检测提供技术参考。     

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DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。     

基于改进YOLOv4的输电线路耐张线夹缺陷检测

为了减少耐张线夹压接缺陷判别过程中人为因素对结果的干扰，提升评判效率，提出一种基于改进YOLOv4的输电线路耐张线夹缺陷检测方法。首先，通过“三跨”线路耐张线夹X光探伤工程，建立包含6类常见压接缺陷的图像样本集；其次，依次采用对比度拉伸、拉普拉斯算子增强、限制对比度自适应直方图均衡化及高斯滤波等图像处理方法对数据集进行预处理；然后，引入卷积块注意力模块和残差结构对原始YOLOv4模型的路径聚合网络层和空间金字塔池化层进行改进，增强模型对空间和通道维度的关注度，优化模型多感受野特征表达能力，提升算法对深层语义特征的提取效果；接着，利用预处理数据对YOLOv4及其改进模型进行训练与测试；最后，根据YOLOv4及其改进模型对各类压接缺陷的检测性能不尽相同这一特点，采用2次非极大值抑制搭建多网络融合缺陷检测模型，并完成模型的测试。先后的测试结果表明，改进YOLOv4、多网络融合模型对6类压接缺陷检测的平均精度均值分别为92.22%、93.08%,可实现对耐张线夹压接缺陷的有效检测。     

基于YOLOv5的砂纸表面缺陷检测方法研究

针对目前工业生产过程中存在砂纸表面缺陷人工质量检测精度低和检测效率低问题，提出一种基于YOLOv5网络模型融合CA注意力机制的砂纸表面缺陷自动检测方法。首先对砂纸生产过程中的砂纸表面图像进行采样，将收集到的砂纸表面缺陷图像分成脱砂、堆砂、划痕和褶皱4种缺陷类型来制作砂纸表面缺陷数据集；其次将YOLOv5主干网络中的C3模块与CA注意力机制结合，改进为CAC3模块；最后将改进前后的网络模型在自建砂纸表面缺陷数据集上进行训练和验证。实验结果表明：得到改进后的YOLOv5+CAC3网络模型，其P、R、mAP@0.5、mAP@0.5：0.95和S的数值分别为96.2%，92.9%，95.8%，65.0%，16.8 ms，相比于改进前的YOLOv5网络模型分别提高了1.1%、2.2%、0.6%、1.7%、4.5 ms。该方法在砂纸表面缺陷检测中精度高、速度快、检测稳定，符合砂纸生产过程中砂纸表面缺陷检测的要求。     

基于改进YOLOv5s的煤矿电力设备缺陷检测

针对煤矿电力设备缺陷检测精度低的问题，提出了一种基于改进YOLOv5s的煤矿电力设备缺陷检测的方法。该方法主要包括3个方面的改进：首先，提出了一种多分支的坐标注意力模块，增强了模型获得缺陷区域信息的能力；其次，提出了一种特征融合网络模块，通过将主干网络和颈部网络之间非相邻的特征信息进行跨层连接，进一步增强了模型的特征表达及融合能力；最后，提出了一种快速空间金字塔池化平均池化模块，并将其嵌入颈部网络的路径融合网络之间，以提升网络浅层定位信息传递到深层的能力。实验结果表明，改进YOLOv5s模型的mAP@0.5提升了3.1%,F₁分值提升了3%,满足煤矿电力设备缺陷的检测需求且具有更高的检测精度。     

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。     

改进YOLOv5的路面缺陷快速检测方法研究

为了实现路面缺陷的智能快速化检测,对深度学习目标检测算法YOLOv5进行改进,得到的3种检测模型(YOLOv5-A,YOLOv5-C,YOLOv5-AC)均可采用视频检测的方式对路面5类缺陷进行快速检测。采用智能手机和数码相机采集路面缺陷图像并制作数据集,在满足视频检测的需求下,使用K-means算法和1-IoU作为样本距离重新聚类anchor,得到更优的锚框参数;在网络多个结构中引入CBAM注意力机制,增强模型的特征提取能力。实验结果表明,YOLOv5-C算法在训练集上的平均精度达到91.8%,相较于原模型提高1%;YOLOv5-A算法在验证集上的平均精度达到92.7%,相较于原模型提高1.7%;在实际检测效果上,YOLOv5-AC算法在裂缝、破碎板和坑洞的识别准确度上达到89%、62%、90%,相较于原模型提高了45%、4%、5%,且模型的检测速度达到40 FPS。YOLOv5-AC算法具有较高的检测精度和识别速度,一定条件下可以满足在道路缺陷检测中的智能化实时检测需求。     

基于CBE-YOLOv5的钢材表面缺陷检测方法

针对钢材表面缺陷种类多，背景干扰强且尺度变化多样导致的检测效率低、精度差的问题，提出了一种钢材表面缺陷检测算法CBE YOLOv5。在YOLOv5算法基础上进行改进，通过主干采用坐标注意力机制，加强对目标的关注，提高特征提取能力；用BiFPN作为特征提取网络，给出有效的特征对应权重，以充分融合不同尺度的特征，并通过EIOU来计算模型损失，使模型能更精确的回归。在公开数据集NEU DET上的实验结果表明，CBE YOLOv5算法mAP为755%，较YOLOv5提高了38%，检测速度也高于一些常见的目标检测算法，能够更准确、更快速地检测到钢材表面的缺陷。     

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

基于改进YOLOv5m的轻量化车脸检测方法

为解决车检站车辆检测中需要对车辆前照灯快速准确定位，同时防止车辆代检的问题，建立了一个车脸检测数据集Car-Data。针对车检站场景中车辆检测问题，提出了一种基于YOLOv5m的轻量化车脸检测方法。首先，将原网络的卷积块替换为改进型跨阶段深度可分离卷积块，以减少网络整体的参数量和计算量。其次，提出增强感受野的空间金字塔扩张卷积模块代替YOLOv5m的主干提取网络中的空间金字塔池化模块，从而提升网络的目标检测精度。最后，在颈部特征增强网络中修改上采样方法，并提出上下层特征融合模块，以减少特征信息的损失。在Car-Data数据集上进行的实验结果表明，改进后的算法相较于原YOLOv5m模型大小减少了48%，每秒检测帧数提高了约10帧，且平均检测精度仍提升了2.02%。因此该改进算法可以满足车检站车辆检测场景中车脸检测的需求。     

改进YOLOv5 算法下的无人驾驶道路行人识别研究

基于无人驾驶领域的飞速发展,为提高道路行人目标检测的速度和精度,提出一种基于YOLOv5 网络改进的YW- YOLO的道路行人目标检测方法,在YOLOv5 模型的neck结构中改入RepGFPN, 充分交换高级语义信息和低级空间信息, 添加自适应融合机制,引入SimAM 注意力模块机制,提高算法的特征提取能力,在损失函数方面,使用Optimal Transport Asignment 优化损失函数。实验结果表明,所提算法与原算法相比,在道路行人类别数据集上识别精确率由38.1%提升到 52.6%,检测速度由29.4 fps 提高到30.8 fps, 具有更好的检测效果。     

基于改进YOLOv5的输电线路绝缘子 识别方法

针对输电线路绝缘子识别准确率低、识别花费时间长的问题,提出一种改进的YOLOv5绝缘子识别方法。首先,通过引入超分辨率卷积网络提升数据集中图像样本质量;其次,通过引入k3-Ghost结构替换原始网络BCSP模块中的普通卷积,减少模型主干网络参数量,在主干网络尾部引入SENet注意力模块,加强模型对于通道信息的关注提升目标检测性能;在颈部网络引入DC-BiFPN结构替换原始结构,对不同尺度特征赋予不同权重以使多尺度特征进行更好的融合,提升绝缘子识别效果。最后,使用CIOU作为回归损失函数,加快网络收敛速度。实验结果表明：本文提出的方法在保证绝缘子识别准确率的同时拥有更高的识别速度,检测准确率达到89.5%,检测速度达到35.7FPS,验证了改进方法的有效性。     

基于改进YOLOv8n的 PCB 缺陷检测算法

针对现有的印刷电路板(PCB) 缺陷检测方法计算量大、小目标缺陷易漏检、检测速度较慢等问题,提出 YOLOv8n- 4SCDP缺陷检测算法。首先,在YOLOv8n 颈部网络增加上采样,融合 Backbone 中浅层语义信息,同时增加微小目标检测层 降低PCB小目标缺陷漏检率;其次,在Backbone 中融入坐标注意力(CA) 机制,强化特征语义和位置信息,提高了模型特征融 合能力;另外,设计密集连接机构,提高模型的缺陷特征利用率,采用PConv对模型进行压缩,既保证了模型的准确性,又大大 减小了模型的尺寸;最后,针对难易样本不平衡的问题,采用线性区间映射法重新定义回归损失函数(Focaler-SIoU),提高模 型收敛速度和回归精度。实验结果表明,YOLOv8n-4SCDP 算法的整体缺陷的平均精度均值(mAP) 达到95.8%,检测帧率达 到了65 fps。有效改善YOLOv8n 对于PCB小目标缺陷漏检率高、检测精度低等问题。     

基于改进YOLOv4算法的高压塔鸟巢检测

针对现有算法对高压塔上鸟巢检测存在参数量过大,实时性不足及对小目标检测能力较弱的问题,提出了一种改进的YOLOv4算法。首先使用Mobilenetv2网络代替CSPDarknet53网络作为主干网络,减少算法的参数量且提升检测速度;同时在Mobilenetv2网络的逆残差网络中嵌入注意力Coordinate Attention模块,增强网络对目标特征提取能力。然后,对PANet网络进行改进,获取更多的细节特征信息,提高对小目标鸟巢的检测能力。最后,使用Focal Loss函数优化损失函数,降低大量简单背景样本训练的权重,提升对小目标鸟巢困难样本训练的侧重,进一步提高对小目标鸟巢的检测能力。实验结果表明,较原始的YOLOv4算法,改进后的YOLOv4算法的参数量减少了48.1%,检测速度和精度分别提高了12.9fps和2.33%。即改进后的YOLOv4算法大幅度减少了算法参数量,且对鸟巢的检测拥有更好的检测性能。     

基于深度学习的高压隔离开关分合状态检测算法研究

高压隔离开关的正常工作是电力系统稳定运行的前提。为正确识别隔离开关的分合状态,提出一种轻量化改进型YOLOv5s目标检测算法。首先,针对隔离开关数据集,采用二次优化K-means++聚类算法重新获取锚框参数。然后,将模型中的损失函数由CIOU替换为具有更强收敛性能的EIOU,加快模型训练的收敛速度。最后,在模型主干特征提取网络的最后一层添加CBAM注意力模块,加强模型特征提取能力。在此基础上,采用通道稀疏化剪枝的方法对改进后的模型进行轻量化处理,减小模型体积和算力消耗。实验结果表明,改进后的模型识别平均精度均值到达97.4%,轻量化处理后的模型大小为3.92 MB,使得模型更加容易部署到移动端设备完成实时检测。     

Pill Defect Detection Based on Improved YOLOv5s Network

To address the problems of low detection accuracy and slow speed of traditional vision in the pharmaceutical industry, a YOLOv5s-EBD defect detection algorithm: Based on YOLOv5 network, firstly, the channel attention mechanism is introduced into the network to focus the network on defects similar to the pill background, re-ducing the time-consuming scanning of invalid backgrounds; the PANet module in the network is then replaced with BiFPN for differential fusion of different features; finally, Depth-wise separable convolution is used in-stead of standard convolution to achieve the output Finally, Depth-wise separable convolution is used instead of standard convolution to achieve the output feature map requirements of standard convolution with less number of parameters and computation, and improve detection speed. the improved model is able to detect all types of defects in tablets with an accuracy of over 94% and a detection speed of 123.8 fps, which is 4.27% higher than the unimproved YOLOv5 network model with 5.2 fps.     

基于改进YOLOv5的电子粉涂覆不均检测

放电管生产过程中，电极表面电子粉涂覆是否均匀是影响放电管产品质量的关键，目前主要依赖于人工目检，针对人工检测效率低、精度差等问题，提出一种基于改进YOLOv5的电子粉涂覆不均检测算法。首先，采集电极表面电子粉涂覆的图像制作数据集，并进行数据增强；其次，引入STDC模块优化主干特征提取网络，提高对难以辨认的金属电极表面缺陷不均的检测精度，并生成两个特征图以适应数据集；最后使用K-means++聚类优化自适应锚框计算。实验结果表明：改进YOLOv5算法对电子粉涂覆不均检测的mAP@50达到99.22%，与原YOLOv5网络相比提升了6.84%，大大提升了检测精度，相较于人工检测其效率更高。