淀粉薄膜的研究进展

针对黏稠食品灌装过程中高精度检测流量的难题,提出一种基于深度学习的高黏稠食品灌装流量实时检测方法。首先对采集到的流量相关过程变量进行序列化及归一化处理,转化为可供有监督学习网络处理的数据;然后对注意力机制下的长短时记忆神经网络(LSTM-Attention)进行训练和泛化,采用自适应矩估计优化算法(Adam),进而建立高黏稠食品灌装流量检测模型;最后将本模型检测所得流量值与其实际值进行对比,用均方误差函数(MSE)对该模型在灌装流量检测上的性能进行评价。通过与循环神经网络(RNN)、普通长短期记忆模型下流量检测的均方误差作比较,实验结果表明,本模型的流量检测精度较高,流量检测数据实时跟踪效果较好。     

基于改进YOLOv4算法的轮毂表面缺陷检测

汽车轮毂加工过程中产生的表面缺陷严重影响整车的美观性及服役性能,针对人工检测效率低、漏检率高的问题,提出一种基于改进YOLOv4算法的轮毂表面缺陷检测方法。构建了轮毂缺陷数据集,其包含6种表面缺陷,由2346张4928×3264pixel的图像组成;采用K-means方法进行先验框聚类,并针对YOLOv4算法在纤维、粘铝等小尺度缺陷上检测精度不足问题,在原网络Neck部分引入细化U型网络模块(TUM)和注意力机制,用于增强有效特征并抑制无效特征,强化多尺度特征提取与融合,改善特征处理过程中可能存在的小目标信息丢失问题;基于该数据集,训练并测试不同算法的缺陷检测性能并验证改进模块的有效性。结果表明,该方法大幅提升了粘铝等小尺寸缺陷的检测能力,缺陷检测平均精度达到85.8%,与多种算法相比较检测精度最高。     

基于改进YOLOv4的焊接件表面缺陷检测算法

目的 针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法 该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷。结果 实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%。结论 所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义。     

基于改进Faster R-CNN的纸病检测算法

目的 达到纸病检测中能够充分提取纸病特征、提高检测精度、降低小目标漏检率的目标。方法 基于Faster R-CNN的检测算法进行改进,主要改进的做法是利用深度残差网络ResNet-50替换原模型的骨干特征提取网络VGG16,以保留更多的纸病特征信息,增强特征网络对纸张缺陷的提取能力;在算法中添加空间和通道的双重注意力机制CBAM,用来提高纸病检测精度;将ROI-Pooling替换为ROI-Align,增强网络的泛化能力。结果 实验结果表明,改进后的算法平均精度达到98%,较原算法平均精度提升了9%。结论 改进后的算法能够充分提取纸病特征信息,有效提高了纸病的检测精度,以及提高了小目标纸病的检测率,降低了错漏检率。     

基于投影感知的水下声呐目标检测方法

现有基于深度学习的水下声呐图像目标检测方法受限于水下声呐图像噪声大、信噪比低,因而检测精度有限。针对该问题,本文提出了基于投影感知和声呐参数信息嵌入的水下声呐图像目标检测方法 SonarNet。提出的非参数化的投影感知对齐模块(PAA)在不引入额外的训练参数且无需额外标注的情况下,通过提取水下目标的投影区域特征与目标本身特征融合来提升目标检测精度。同时为了提升算法在不同声呐工作参数下的鲁棒性,本文设计了一个轻量级的声呐全连接网络SonarMLP,将声呐设备的工作参数信息以嵌入信息的形式引入到目标检测过程中。本文在声呐图像目标检测数据集上对算法的有效性进行了验证,在有效检测出水下目标的同时,比现有常用深度学习方法有更高的检测精度,能够提升3%以上的各类平均精确度(m AP)。     

基于深度学习的工业自动化包装缺陷检测方法

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。     

基于YOLOv4算法的药用空心胶囊表面缺陷检测方法

目的 为提升质检过程中药用空心胶囊的表面缺陷检测精度及其自动化水平。方法 通过设计高质量图像采集方案来避免胶囊表面出现光斑,以此构建药用空心胶囊缺陷数据集。基于YOLOv4算法,建立深度学习检测模型,利用多尺度特征提取以及训练策略,增强对小目标缺陷检测的鲁棒性。采用K-means++聚类算法更新锚框初始值,以提高模型对胶囊表面缺陷的预测性能。结果 实验结果表明,提出的胶囊缺陷检测方法能够准确判别胶囊好坏,并能检测出其表面的凹陷、孔洞、划痕、污点和接口缺损等5类缺陷,其中对于胶囊有无缺陷的平均精确均值达99.05%,各缺陷类型的平均精确率为91.81%,而每秒检测图像可达22张。与其他典型的目标检测方法相比,文中方法在检测速度和精度上都有一定优势。结论 文中所提出的基于YOLOv4的缺陷检测方法实现了对药用空心胶囊多类型缺陷的分类与定位,具有较好的检测效果和稳定性,在满足生产质量管控要求的同时,可大幅降低人工成本。     

基于改进YOLOv4的灾后人员检测算法

针对地震等灾后环境复杂、救援机器人对救援目标识别实时性和准确度要求较高的问题,提出一种基于改进YOLOv4的目标检测模型。该算法将YOLOv4网络中的主干特征提取网络替换成MobileNetv1模型以增强特征复用,同时缩减网络参数量,提高运行速度;通过K-means++算法进行锚点维度聚类以适应灾后人员检测,提升算法精度。并且针对灾后人员检测数据集缺乏问题,贡献相应的数据集。实验结果表明,改进的网络与YOLOv4相比在保证模型精度的前提下帧率提升了约92%,权重文件大小变为原来的20.73%,满足了灾后救援机器人目标检测实时性和准确性的需求,对于灾后人员检测场景有一定的借鉴意义。     

基于FCOS神经网络的制动主缸内槽缺陷检测方法

针对主缸内槽缺陷检测存在干扰因素复杂、检测精度低等难点,提出了一种基于全卷积单阶段神经网络(FCOS)的主缸内槽缺陷检测算法.利用特征融合金字塔网络进行特征提取并逐像素预测,得到缺陷种类,实现凹槽缺陷的自动检测.实验结果表明,FCOS网络对制动主缸内槽砂眼、划痕、振刀纹缺陷检测的平均精度均值分别为85.2％、87.5％...     

改进YOLOv4的轻量化目标检测方法

针对车载平台发展过程中,在辅助驾驶环境感知方面,现有的目标检测方法对目标检测精度不高、算法推理速度慢等问题,本文以YOLOv4目标检测网络为基础,引入通道与空间注意力模块CBAM,有效提升了YOLOv4目标检测网络特征识别精度;引入Mobilenetv3轻量化网络结构替换YOLOv4的主干特征提取网络CSPDarkNet53,并利用深度可分离卷积替换整个网络的普通卷积,有效降低了YOLOv4目标检测模型大小,提升了网络模型推理速度。通过消融实验与检测结果分析,证明了改进方案的可行性。     

基于改进YOLOv5的轻量级芯片封装缺陷检测方法

目的 针对芯片封装缺陷检测过程中检测精度低与模型难部署的问题,提出YOLOv5-SPM检测网络,旨在提高检测精度并实现模型轻量化。方法 首先,通过在特征提取模块后增加通道注意力机制,提高缺陷通道的关注度,减少冗余特征的干扰,进而提升目标的检测精度。其次,在主干网络与颈部网络连接处使用快速特征金字塔结构,更好地融合了自建芯片数据集的多尺度特征信息。最后,将主干网络的特征提取模块更换为MobileNetV3,将常规卷积更换为深度卷积和点卷积,有效降低了模型尺寸和计算量。结果 经过改进后的新网络YOLOv5s-SPM在模型参数下降29.5%的情况下,平均精度较原网络提高了0.6%,准确率提高了3.2%。结论 新网络相较于传统网络在芯片缺陷检测任务中实现了模型精度与速度的统一提高,同时由于模型参数减小了29.5%,更适合部署在资源有限的工业嵌入式设备上。     

基于改进YOLOv5的试剂卡印刷缺陷检测算法

目的 针对试剂卡生产企业采用人工分选印刷缺陷的试剂卡存在效率低、成本高、易漏检的问题，提出一种基于深度神经网络YOLOv5s的改进试剂卡印刷缺陷检测算法YOLOv5s-EF。方法 通过图像预处理算法获得高质量的缺陷图像数据集，在YOLOv5s的主干特征提取网络中添加高效通道注意力（Efficient Channel Attention, ECA）机制，增强特征图中重要特征的表示能力；引入焦点损失函数（Focal Loss）来缓解正负样本不均衡的影响；结合印刷区域的定位结果，二次精确定位并构建方位特征向量，提出一种特征向量相似度匹配方法。结果 实验结果表明，本文提出的试剂卡印刷缺陷检测算法在测试集上的检测平均准确度可以达到97.3%，速度为22.6帧/s。结论 相较于其他网络模型，本文提出的方法可以实现对多种印刷缺陷的识别与定位，模型具有较好的检测速度和鲁棒性，有利于提高企业生产的智能化水平。     

基于机器视觉的玻璃瓶口缺陷检测方法

目的为提高玻璃瓶口缺陷检测精度,确保生产线包装效率。方法基于机器视觉设计一种瓶口缺陷检测方法,并简要介绍检测系统的整体框架。分别论述基于最大熵值法的图像分割方法、瓶口定位方法以及图像特征提取方法,其中图像特征主要包括周长、圆形度、相对圆心距离。利用BP神经网络实现瓶口缺陷的准确识别,将瓶口破损程度转换为具体数值,最后进行实验验证。结果文中检测方法对破损瓶口的检测成功率为99%,对于不同的破损类型均有较高的检测准确度。结论基于机器视觉的玻璃瓶口缺陷检测方法能够满足生产线对准确性和实时性的要求。     

基于机器视觉的金属丝网缺陷识别方法

目的 提升金属丝网的检测效率与检测精度。方法 提出一种应用于金属丝网表面缺陷识别的EfficientNetV2改进网络,首先更改了网络的骨干结构,在特征提取模块前后分别引入通道拆分与通道转换等操作,以增大网络容量,提高特征利用率;其次重新设计网络的分类器,通过对提取的高级语义信息进行逐层分步压缩,以减小特征损失,提高分类精度;最后搭建图像采集系统,构造金属丝网缺陷数据集。结果 实验结果表明,文中改进的网络模型在数据集上的准确率、精确度和特异度分别达到99.43%、99.42%和99.88%,图像识别耗时为27.5ms,增强了缺陷识别效果。结论 该方法具有较高的准确率,在金属丝网缺陷检测上具有较好的实用性,也可为其他类似产品的缺陷检测提供参考。     

基于多级特征融合的体素三维目标检测网络

目的 为精确分析点云场景中待测目标的位置和类别信息,提出一种基于多级特征融合的体素三维目标检测网络。方法 以2阶段检测算法Voxel?RCNN作为基线模型,在检测一阶段,增加稀疏特征残差密集融合模块,由浅入深地对逐级特征进行传播和复用,实现三维特征充分的交互融合。在二维主干模块中增加残差轻量化高效通道注意力机制,显式增强通道特征。提出多级特征及多尺度核自适应融合模块,自适应地提取各级特征的关系权重,以加权方式实现特征的强融合。在检测二阶段,设计三重特征融合策略,基于曼哈顿距离搜索算法聚合邻域特征,并嵌入深度融合模块和CTFFM融合模块提升格点特征质量。结果 实验于自动驾驶数据集KITTI中进行模拟测试,相较于基线网络,在3种难度等级下,一阶段检测模型的行人3D平均精度提升了3.97%,二阶段检测模型的骑行者3D平均精度提升了3.37%。结论 结果证明文中方法能够显著提升目标检测性能,且各模块具有较好的移植性,可灵活嵌入到体素类三维检测模型中,带来相应的效果提升。     

食品包装日期喷码检测系统设计

目的为了提高食品包装过程中喷码检测的准确度,基于机器视觉提出一种喷码缺陷检测方法。方法分析自动喷码系统结构和工艺流程,包括搬运机械手、传送装置、喷码装置、检测装置等。以扫码检测为重点研究对象,利用机器视觉采集图像,通过图像处理算法实现喷码缺陷检测,包括模板匹配算法和垂直投影方法。同时给出缺陷检测流程,主要由图像分割、字符校正和分割、字符分割、缺陷检测等步骤组成。结果实验结果表明,所述喷码检测方法的识别成功率可以达到99%,识别成功率较高。结论该方法能够有效处理漏印等喷码缺陷,可以代替人工实现食品包装的自动化分拣。