面向 FPGA 部署的改进 YOLO 铝片表面缺陷检测系统

在工业生产中,产品缺陷的智能检测是至关重要的。现场可编程门阵列(FPGA)是一种具有算力强、功耗低等特点的嵌入式设备,能够将小型卷积神经网络部署其中。本文基于Xilinx Zynq系列FPGA设计了一套改进YOLOv2目标检测算法,在模型框架中增加重排序层,对切片图进行并行计算处理后再重组,完成铝片表面缺陷的检测。该算法经过高层次设计(HLS)后,进行RTL转换与IP核封装,并导入到工程项目中完成SoC设计。通过综合、布局布线后生成比特流文件,导入至PYNQ镜像中,完成对铝片表面的工业缺陷检测。实验结果表明,本系统能够准确地检测出缺陷,并将功耗降低至2.494 W。     

基于弱光增强与YOLO算法的锯链缺陷检测方法

在基于机器视觉的锯链缺陷实时检测过程中,油污、粉尘等因素影响图像亮度和质量,导致目标检测网络的特征提取能力下降.为保证复杂环境下锯链缺陷检测的准确率,本文设计了一种结合弱光增强和YOLOv3算法的锯链自动化缺陷检测方法.首先使用RRDNet网络自适应增强锯链图像亮度,恢复图像暗区的细节特征;然后采用改进YOLOv3算法对锯链零件进行缺陷检测,增加FPN结构特征输出图层,利用K-means聚类算法对先验框参数重新聚类,并引入GIoU损失函数来提高小目标的缺陷检测精度.最后搭建一套锯链缺陷在线检测系统,对所提方法进行验证.实验结果表明,该方法能够显著提高弱光环境下的锯链图像照度、恢复图像细节,改进YOLOv3算法的mAP值为92.88％,相比原始YOLOv3提高14％,最终系统整体的漏检率降低到3.2％,过检率也降低到9.1％.所提出的方法可实现弱光场景下锯链缺陷的在线检测,并且对多种缺陷有着较高的检测精度.     

基于YOLO的多模态钢轨表面缺陷检测方法

针对钢轨表面缺陷区域与背景区域特征相似特性导致的模型检测性能下降问题,本文研究高实时性轻量级目标检测网络 YOLOv8n,提出一种基于 YOLO 的多模态钢轨表面缺陷检测算法 RailBiModal-YOLO.改进YOLOv8n模型:构建双流主干网络结构并行提取多尺度深度信息和RGB信息;为降低低质量图像特征相互干扰并能充分利用双模态互补信息,设计了一种即插即用的双模态特征交互修正融合模块;在多尺度特征构建阶段引入EVCBlock,增强RGB-D特征层的层内信息交互,提高小缺陷检测能力.以东北大学NEU-RSDDS-AUG作为实验数据集,将数据集自定义划分为4种典型缺陷类型,以平均精度均值mAP、每秒检测帧数FPS、参数量作为主要评价指标,实验结果表明:所提模型与原模型相比,在保证高检测速度的同时,mAP@50,mAP@50:95分别提高1.8%和3.2%,并具有更强鲁棒性.     

基于改进YOLO的绝缘子缺陷检测算法

针对绝缘子缺陷检测任务中,由于绝缘子缺陷部分在画幅中占比小、绝缘子易被遮挡、输电线路背景复杂等原因导致陷识别准确率低的问题,提出了一种基于改进YOLO的绝缘子缺陷检测算法。首先,在YOLOv7模型的基础上设计一个小目标检测层,使其更准确地进行小目标检测任务;其次,在模型中引入SimAM注意力机制,提高模型对绝缘子及其缺陷的关注度,提升模型检测性能;最后,选择SIoU Loss作为模型的损失函数,加快网络的收敛速度,降低其损失值。实验结果表明,改进后算法精度相较基准模型由84.9%提升至90.2%,损失值由2.23%下降至2.20%,改善了小目标检测精度,为绝缘子检测提供了参考。     

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FPGA的基2-FFT算法在谐波检测系统中的研究

对谐波信号进行频谱分析是电力系统谐波检测中一项重要任务,精确的谐波检测是维护电网正常运行的前提。为实现谐波频谱数据的实时输出,设计了基于FPGA芯片的按频率抽取的基-2FFT算法。整个设计基于Verilog语言进行模块化设计,采用Stratix II系列FPGA芯片作为逻辑控制器,并使用Quartus II和Matlab软件工具仿真验证,仿真结果表明系统能实时准确地检测出谐波,对电网谐波分析与运行具有一定的实用价值。     

基于SENet-YOLOv5的PCB电路板缺陷检测方法研究*

针对PCB线路板缺陷检测问题,采用了卷积神经网络中的新颖架构,即改进的YOLOv5模型,通过对大量带有标记的PCB缺陷图像进行训练,建立了一个高效的缺陷检测网络。在模型的设计过程中,着重考虑了图像中噪声的随机性及PCB生产过程中可能出现的几何变形,引入注意力机制SENet,并改进损失函数。该方法提高了缺陷检测准确率,有效解决了传统方法中漏检和误检问题,为其他电子组件的自动化检测奠定理论基础与技术保障。     

基于机器学习的金属软管缺陷检测系统

为了实现工业上对金属软管缺陷部分的自动检测,提出一种基于深度学习的缺陷检测方法,首先利用相机采集金属软管缺陷部分的图像并将采集图像中的缺陷特征部分进行分类与标定,金属软管外表面缺陷可分为断丝、散丝、叠丝3种并制作出对应的自制数据集;其次对YOLOv5s网络进行改进,通过在YOLOv5s中的主干网络中添加SimAM注意力机制;然后利用EIoU损失函数替换初始网络所采用的IoU损失函数;最后对YOLOv5s中的金字塔池化层进行改进,采用SimSPPF模块替换SPPF模块.利用改进后的算法对金属软管缺陷数据集进行训练,改进后的算法相较于初始YOLOv5s网络的平均精度mAP提升了1.5％,特征复杂且小目标的漏检误检情况有了明显改善.     

基于改进YOLOv8算法的绝缘子缺陷检测模型

目前YOLO目标检测算法在绝缘子缺陷检测领域任然是最主流的方法,然而现有的YOLO模型框架参数量庞大导致户外部署难度加大,同时户外拍摄的绝缘子图像背景复杂,其缺陷更是微小导致难以被检测.针对上述问题,本文提出了一种基于YOLOv8n目标检测框架而改进得到的绝缘子缺陷检测模型YOLOv8-GCS,以降低模型的参数量并提高模型的检测精度.首先将模型中的C2f模块换成更加轻量级的Ghost卷积模块,以降低模型的计算量和参数量.然后在主干网络末尾和第二个检测头处加入CoordAtt注意力模块,抑制复杂背景对绝缘子缺陷部位的影响从而提高模型的检测精度.最后再引入一个SPD-Conv模块,让网络模型在二倍下采样的过程中无重要信息的损失同时增强网络模型对重要特征的学习率,进一步提高模型的检测性能.分析实验结果可知,本文算法与基线模型相比mAP50提高了4%,召回率和查全率分别提高了4.7%和1.3%,参数量降低了26.7%,保存结果的权重文件大小降低了1.5 MB,绝缘子破损和闪络缺陷的AP50 分别提高了4%和8.1%.     

基于YOLO v3的输电线路缺陷快速检测方法

无人机巡检方式在输电线路巡检中逐渐普及,但仅通过实时的人工观测效率低下.目前已有算法能够实现图像的自动识别,但检测速度慢,无法实现视频图像的处理.本文提出一种基于YOLO v3的输电线路缺陷快速检测方法.该方法首先建立YOLO v3目标检测模型,通过对训练样本库进行聚类分析得到目标候选区域的先验尺寸;通过调整损失函数来...     

面向 FPGA 部署的 CNN-SVM 算法研究与实现

卷积神经网络-支持向量机(CNN-SVM)混合算法结合了 CNN特征提取能力和SVM分类性能,在计算复杂度和解决小样本问题上具有一定优势,目前已在故障诊断、医学图像处理等领域得到了一定应用,同时,由于其计算复杂度较低,也引起了边缘计算领域的关注.针对边缘计算场景中对算法性能和功耗的要求,提出了一种面向FPGA平台的CN...     

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测算法存在网络复杂度高、计算量大、边缘端部署难度高。提出一种基于YOLOv5的轻量化交通标志目标检测算法。通过增加注意力机制,使用CBAM和CA融合的方式,强化检测模型抗干扰能力;通过FPGM剪枝,对模型进行了压缩,降低计算量、提高推理速度;通过软硬件融合设计,实现YOLOv5s模型与硬件融合,形成一整套完整的移动智能交通标志目标检测系统;结果表明,增加多种注意力机制后,模型精度提高了2.8%。在极限剪枝的情况下,模型仅有0.54 MB。在Jetson Nano(20 W)的环境下,检测速度达21帧/s,满足实时的交通标志检测。     

手机快速充电系统设计

设计了一种基于单片机STC89C52的手机快速充电系统,详细介绍了此快速充电系统的硬件设计方法和软件设计流程。使用这种快速充电系统,充电速度比普通的USB充电快50%以上,能提高智能手机的续航能力。同时,本快速充电系统做了兼容设计,可兼容普通充电功能。     

基于注意力特征融合YOLOv5模型的无人机输电线路航拍图像金具检测方法

无人机采集输电线路航拍图像由于其特殊性,往往背景复杂多变,检测目标存在尺度不一及部分遮挡等问题容易造成检测过程中误检、漏检。本文从特征融合角度出发,提出基于注意力特征融合YOLOv5模型的输电线路金具检测方法。首先,在主干提取网络中引入了具有自注意力机制的AFF-Transformer模块更好的捕获全局信息和上下文信息,提高主干网络特征提取能力。其次,通过在特征融合过程中使用通道空间注意力避免了关键信息丢失。最后,利用双向加权特征融合机制使得模型更有效的将浅层特征和深层特征进行融合,以上改进有效缓解了金具在密集状态下的误检、漏检等问题。通过在自建输电线路金具数据集上进行实验,结果表明：本文提出的方法在原YOLOv5模型的基础上准确率提升了2.7%,模型召回率提高了1.5%,针对于小目标,以及漏检、误检等问题有了较好的改善。     

利用FPGA实现GPS失步下精确守时

选用M 12 Timing Oncore Receiver GPS模块、Cyclone Ⅱ系列EP2C8现场可编程逻辑门阵列(FPGA)、10MHz高精度恒温晶振等设计硬件电路,实现GPS时钟在失步情况下精确对时。由GPS模块接收GPS卫星授时信号,输出秒脉冲和GPS时标至FPGA,同时恒温晶振10MHz脉冲信号输至FPGA,经FPGA处理后的秒脉冲信号和GPS时标信息通过驱动电路并行送到串口或光纤模块。软件分成秒脉冲上升沿判别、10MHz晶振脉冲计数、GPS失步情况下秒脉冲生成、GPS时标接收/发送4个功能模块,用VHDL语言对各软件模块进行功能开发,并给出了程序清单。仿真和试验结果表明,该方法可保证GPS时钟在失步12h内秒脉冲误差小于50μs。     

基于改进YOLOv7的血细胞检测算法

血细胞检测是诊断许多疾病的重要手段,血细胞数量和形态的变化常常反映人体的健康状况。然而,人工检测耗时且易出现误检和漏检。为此,本文提出了一种基于改进YOLOv7的血细胞检测算法—YOLOv7-SMC。该算法首先在特征提取过程中结合空间和通道重构卷积,减少了特征冗余并提高了性能;然后在颈部网络中加入混合局部通道注意力机制,增强了模型的表征能力;并且用内容感知特征重组上采样算子替换最近邻插值上采样,从而自适应地调整上采样策略,得到细节丰富的结果;最后引入基于最小点距离的边界框相似度度量损失函数,简化了边界框相似性比较。实验结果表明,该算法在BCCD数据集上的3类血细胞检测中,总样本均值平均精度mAP@0.5和mAP@［0.5:0.95］分别提升了2.6%和2.9%,展现出较高的实用性和准确性。     

基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测

针对复杂场景下绝缘子缺陷检测存在小目标识别困难的问题,提出基于动态蛇形卷积和非跨步卷积的绝缘子缺陷检测方法。首先,算法引入动态蛇形卷积,构造出符合绝缘子特点的特征提取模块,提高对绝缘子及其缺陷的特征提取能力。然后,采用“空间-深度”的非跨步卷积,减少融合过程中的特征丢失。最后,为进一步降低模型复杂度,对模型进行通道剪枝,减少冗余部分。在绝缘子缺陷数据集上进行实验对比,与基准算法相比,绝缘子的破损、污闪以及自爆缺陷的识别率分别提升了5.7%、2.4%和0.8%,改进算法在绝缘子的检测率上提升了0.5%。同时平均精度均值较改进前提升了2.3%,模型大小降低了50.07%。实验结果表明,改进算法在提高绝缘子缺陷小目标检测精度的同时,有效降低了模型大小,对绝缘子缺陷检测的研究具有一定的参考和应用价值。     

基于微信小程序的弧垂计算手机软件开发与应用

输电线路施工作业中,弧垂计算数据多、过程繁琐,极易出错,而弧垂是线路施工中重要的技术指标,误差必须控制在规程规范允许的范围内。因此,基于腾讯公司在微信平台最新推出的一种开发应用系统的新技术-微信小程序,研究开发了现场实时计算弧垂的“送电工计算器”手机软件,并在多个工程施工中进行了现场应用,取得了良好效果。该软件方便快捷,确保了计算结果准确率,显著提高了施工效率。