基于改进YOLOv5的航空发动机表面缺陷检测模型

针对目前航空发动机表面人工缺陷检测效率低的问题,提出一种基于改进YOLOv5的缺陷检测模型YOLOv5-CE。首先,在网络中融合数据增强策略搜索算法,自动为当前数据集搜索最佳的数据增强策略,实现训练效果的提升;其次,在backbone网络中引入坐标注意力机制,在通道注意力的基础上嵌入坐标信息,提高对小缺陷目标的检测能力;最后,将YOLOv5的定位损失函数改进为efficient intersection over union损失,在加快模型收敛的同时提高预测框回归精度。实验结果表明,所提YOLOv5-CE模型,相比原YOLOv5s网络,在检测速度几乎没有下降的情况下平均精度均值提高了1.2个百分点,达到了98.5%,能够高效智能检测航空发动机4种常见类型缺陷。     

改进YOLOv4算法的航空发动机部件表面缺陷检测

针对传统方式检测航空发动机部件表面缺陷存在检测精度低、检测速度慢的问题,提出了一种改进YOLOv4算法的航空发动机部件表面缺陷检测方法.构建航空发动机部件表面缺陷数据集,使用K-means算法对缺陷样本进行聚类,获得不同大小的先验框参数;利用改进的参数调整算法对先验框尺寸进行缩放,加大先验框尺寸差异,提高先验框与特征层...     

基于改进YOLOv5钢材表面缺陷检测技术

针对初始的YOLOv5目标检测算法对复杂目标中的缺陷特征提取不充分、定位不精确、检测精度低和漏检率高等问题,提出了改进的YOLOv5钢材表面缺陷检测算法。在锚框计算上,用K-Means++算法进行锚框选取,使得随机选取的聚类中心尽可能的趋于全局最优解,预测框更加精准。添加CBAM注意力机制,对复杂图像中的缺陷赋予更高的权重,增强对关键信息的关注度。通过实验对比后结果表明,改进后YOLOv5算法拥有更好的检测性能。     

基于改进YOLOv5的磁瓦表面缺陷检测方法研究

磁瓦的表面缺陷检测是生产环节的重要部分。针对传统的磁瓦表面目标缺陷检测存在精度低下、速度缓慢、小目标检测难度大等问题,首先采用YOLOv5s作为基础的网络,用改进后的CombinedE ffi cientNetV2网络来代替原YOLOv5中的CSPDarknet网络,让网络更加轻量化的同时检测速度有所提高。其次,将Ciou损失函数替换成性能更好的Focal-Eiou损失函数,提高对磁瓦表面的缺陷提取校正能力。最后,在网络中结合改进后的双Shu ffl eAttention注意力机制,并将激活函数替换成GeLU,让网络能关注到重要位置。通过多次训练网络,与FastRCNN、YOLOv3、SSD、原YOLOv5算法进行对比,P和mAP有不同程度的提升。结果表明,相较于原YOLOv5,改进后的算法mAP提高了3.9%,P提高了4%,FPS达到了41.3帧/s,能满足磁瓦生产线中的缺陷检测需求。     

基于改进YOLOv5的轻量化绝缘子表面缺陷检测

针对无人机检测缺陷绝缘子时,存在目标特征不明显、小目标检测效果差、无法同时满足检测速度和精度的问题,提出一种基于改进YOLOv5的绝缘子缺陷检测算法。首先,针对目标特征不明显的问题,将ConvNeXt网络应用到YOLOv5主干网络中,以加强网络特征提取能力;其次,针对图像中的小目标特征,在主干网络中引入坐标注意力机制,提高对小目标的检测精度;然后,对改进模型进行剪枝操作,剪去模型中冗余的通道,从而减少模型参数量,使模型更加轻量化。实验结果表明：所提算法在绝缘子缺陷数据集IDID上的平均精度均值达到93.84%,较原始算法提升了3.4个百分点;检测速率达到166 frame/s,较原算法速率提升了69.4%,可以满足对输电线路实时检测的要求。     

基于改进YOLOv5的动车组关键部件缺陷检测

针对目前动车组(electric multiple units,EMUs) 关键部件缺陷检测模型复杂、小目标漏检率高和检测效率低的问题,提出一种基于改进YOLOv5的缺陷检测方法。该方法在利用生成对抗网络(generative adversarial network,GAN)进行数据增强的基础上,采用轻量级网络MobileNetV3-large对YOLOv5m主干网络进行替换,同时使用深度可分离卷积优化颈部3×3网络结构,以降低模型的参数量和计算量;在改进后的主干网络中引入坐标注意力机制(coordinate attention,CA),以捕获小目标的位置信息和通道信息,增强网络的特征表达能力;对非极大值抑制(non-max suppression,NMS)算法进行优化,融入重叠检测框中心点的位置信息,以提升预测框的定位准确性。在EMUs缺陷数据集上的实验结果表明,本文提出的检测模型相较于YOLOv5m,参数量减少了77%,计算量降低了80.9%,单张图片的检测时间减少了31.7%,平均精度均值(mean average precision,mAP)可达到0.804。另外,在NEU-DET数据集上的实验结果表明,改进后的模型也具有较强的泛化能力。     

基于改进YOLOv5的光伏组件缺陷检测

电致发光（EL）检测技术作为太阳电池和组件缺陷检测的重要手段被广泛运用,但是EL检查中的缺陷筛查仍然需要持续完善。为了克服以往研究中可识别缺陷的种类少、无法对缺陷进行定位、模型参数多体积大及检测速度慢的局限性,使用改进的YOLOv5网络对电致发光图片中常见的隐裂、断栅、裂片和黑斑4类主要缺陷进行检测和分类。使用Ghost模块代替YOLOv5骨干提取网络中的普通卷积模块,减少网络模型的参数量;为了保证良好的检测性能,在骨干网络尾端加入Squeeze-and-Excitation(SE)注意力模块,提升算法的目标检测能力;在特征融合网络中引入双向特征金字塔网络（BiFPN）结构,进一步加强网络的特征融合能力。结果表明,所提模型成功地识别和定位了4类常见的缺陷,与YOLOv5算法相比,模型体积减小了21%,在没有GPU加速的情况下,单张图片的检测速度提升了17.4%。     

基于双网络的钢材表面缺陷检测方法

针对传统算法检测钢材表面缺陷（如开裂、斑块、划痕等）精准度较低的问题,提出一种基于分割与分类的两段式深度学习网络。该网络是专为表面缺陷的检测、分割以及分类而设计的。第一阶段利用YOLOv5算法对钢材表面的缺陷进行定位、分割;第二阶段使用EfficientNet网络对钢材表面的六种缺陷类型进行分类。实验结果表明,相较于传统的YOLOv5算法,该方法的平均精准度提高了16%,适合用于钢材表面缺陷检测。     

基于改进YOLOv5的PCB小目标缺陷检测研究

面对印刷电路板(print circuit board,PCB)小型化、多层化、高集成化的趋势,针对目前PCB缺陷检测方法存在漏检、特征提取困难、误检率高以及检测性能差等问题,本文提出了基于改进YOLOv5算法的PCB小目标缺陷检测方法。该方法先针对PCB小目标缺陷特点采用DBSCAN(density-based spatial clustering of applications with noise) +二分K-means聚类算法以找到更适合的锚框;然后对YOLOv5的特征提取层、特征融合层以及特征检测层进行改进,增强关键信息的提取,加强深层信息与浅层信息的融合;从而减少PCB缺陷的误检率、漏检率,以提高网络的检测性能;最后在公开PCB数据集上进行相关对比实验。结果表明,改进后模型的平均精度(mAP)为99.5%,检测速度为0.016 s。相比于Faster R-CNN、YOLOv3、YOLOv4网络模型,检测精度分别提升了17.8%、9.7%、5.3%,检测速度分别提升了0.846 s、0.120 s、0.011 s,满足PCB缺陷在实际工业生产现场的高精度、高速度检测要求。     

一种改进YOLOv5模型的PCB板缺陷检测方法

针对传统PCB板检测方法中检测效率不高,检测精度较低等缺点,提出了一种改进YOLOv5模型的PCB板缺陷检测方法。为提升小目标缺陷检测精度,构建了基于BiFPN的网络连接方式,更加充分地利用了不同尺度的特征信息;为了更好地捕捉目标缺陷的位置,引入了Coordinate Attention注意力机制,使模型的定位和目标捕捉更加精准。实验结果表明,较原始的YOLOv5模型,所提出的针对PCB板表面缺陷检测方法的均值平均精度提高了3.2%。     

基于改进YOLOv5的橘瓣检测方法

针对柑橘罐头厂生产橘子罐头时人工分类橘瓣效率差的问题,本文提出一种基于深度学习的橘瓣检测方法。以柑橘罐头厂生产线上的橘瓣为对象,实地采集图像并制作了一个具有2 500张图像的橘瓣数据集;在YOLOv5s模型的基础上针对橘瓣检测对象多、遮挡大的特点,融合注意力机制并改进了损失函数,得到改进的YOLOv5s模型。试验结果表明,在该模型上橘瓣检测的平均精度达到93.7%,单张图像检测耗时25 ms,基于改进YOLOv5s模型的橘瓣检测方法能够满足工厂生产线的实际应用需求。本方法可以为橘瓣自动化分类设备提供高精度的视觉指导。     

基于改进YOLOv5s轻量化带钢表面缺陷检测方法

针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对 于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。     

基于改进YOLOv5的路面缺陷检测算法研究

针对传统的路面缺陷检测算法,路面缺陷特征提取单一,且依赖于人工提取,导致检测效率低下的问题,提出了一种基于改进YOLOv5的路面缺陷检测算法。针对原算法对路面缺陷的位置信息提取不充分,引入CBAM注意力机制并对空间注意力中的7*7卷积层替换为3个串行5*5卷积后使用1*1卷积融合3个不同感受野下的特征信息,增强提取缺陷位置信息的能力。在训练阶段,增加正样本的数量,缓解模型训练时的正负样本不均衡。为证明该算法的有效性,在公共数据集GRDDC2020上进行验证,实验表明,改进后的YOLOv5算法F1-score相比于原YOLOv5算法提高2.1%,达到57.7%。     

改进YOLOv5的轻量化塑料餐具缺陷检测方法

针对塑料餐具表面缺陷人工检测效率低和深度学习模型计算量大布置成本高的问题,提出了一种基于YOLOv5的轻量化检测方法 FED-YOLOv5。在YOLOv5的骨干网络部分引入新型轻量级网络FasterNet,减少参数和计算量;同时添加高效注意力机制ECA,增强网络通道间的信息交流,最后在头部网络用解耦检测头替换耦合检测头,将分类和回归任务解耦,提高模型效率。实验结果表明,改进后的FED-YOLOv5与YOLOv5s相比参数量和计算量分别减少59.7%和63.3%,检测精度达91.6%,单张图片检测时间仅为4.6 ms,能够用于塑料餐具的外观检测工序,适合在有限计算资源的环境中部署。     

基于改进YOLOv5的X射线图像铸件缺陷实时检测

铸件缺陷检测是一项重要的质量管理程序。为了避免人为因素的影响,提高检测精度,对YOLOv5s6的目标检测算法进行改进,用于X射线图像的铸件缺陷检测。首先设计了一种C3CA模块用于捕获跨通道、方向感知和位置感知的信息。然后通过在骨干网络中融合多头自注意力机制来捕获局部与全局信息。最后采用Focal-EIoU Loss损失函数。实验结果表明:在相同训练条件下,改进后YOLOv5s6的AP50值达到了90.2%,F1因子达到了87.8%,相较原始模型分别提高了3.4%和2.3%,具有检测准确率高、实时性强等特点。     

基于改进YOLOv5s的Deep PCB缺陷检测算法研究

现有PCB缺陷检测方法的精确率较低而且模型复杂度也较高.针对这个问题,提出了基于改进YOLOv5s的Deep PCB缺陷检测算法.该算法在颈部网络（Neck）的C3层后添加了卷积注意力模块（Convolutional Block Attention Module,CBAM）,对小目标的检测建立特征映射关系,对特征图进行注意力重构,赋予了小目标更高的特征权重,提高网络对印刷电路板（Printed Circuit Board,PCB）图像中小目标的特征提取能力.为了从根本上解决目标特征冗余的问题,实现网络的轻量化,并且确保网络检测的精确度,提出使用Ghost Conv模块替换Conv模块,同时将C3模块改为Ghost Bottleneck模块.使用有效交并比损失（EIOU Loss）函数代替完全交并比损失（CIOU Loss）函数,减小了预测框宽高与置信度的真实差值,减少了网络的回归损失.使用上海交通大学图像处理与模式识别研究所公开的Deep PCB数据集开展实验,结果表明本文算法相较于YOLOv5s,在IOU=0.5时,mAP提升了6.8%,速度提升了4.7 Fps,模型大小减少了2.9...     

基于改进YOLOv5针对舰船识别的算法研究

由于舰船在海面上距离岸边较远时,合成孔径雷达(synthetic aperture radar,SAR)所进行的图像会比较小,对船舰测量也较为困难,会产生漏检的情形。为了进一步提高测量准确度,提供了一个可以改进YOLOv5识别SAR舰船图像的新测量方法。方案介绍了注意力机制模型和改进非极大值抑制模式,并使用了自己的目标数据集中进行了训练试验,在对船舰标记时,使原正矩形框变成了平行四边形,对标记的精度更加准确。在进行了海面目标的集中训练后进行了测试,结论 :与原YOLOv5模型比较,改进的YOLOv5模型的准确率、召回成功率、平均准确率分别增加了2.3%、4.8%、2.5%,提升了船舶检测和识别的整体效果,证实了改进YOLOv5算法检测的可行性。     

基于改进YOLOv5的绝缘子快速检测

为了解决复杂背景下,绝缘子准确快速识别的实时性问题,提出了一种基于YOLOv5改进的轻量型绝缘子检测算法模型。在网络结构中融入了Shufflenet v2网络和深度卷积模块,通过控制通道数和减少网络层数来减少参数量,采用K-means算法调整anchor框,并提出了改进损失函数DCIoU加速了损失函数的收敛。实验结果表明,改进的YOLOv5算法在参数量上仅有原网络的10%,准确率提高了0.2%,推理速度提升了2帧。     

基于改进YOLOv5的红外车辆检测方法

红外图像可在低照度、恶劣天气等条件下工作,红外车辆检测技术旨在使用红外传感器来监测道路上的车辆,实现对车辆数量、车速等信息的收集与分析,该技术不仅可应用于路面车辆,还可应用于铁路、机场、港口等场景,为交通运输行业的安全和便捷提供了有效的技术支持。然而,由于红外图像成像原理的局限和外部环境的干扰,通常导致红外图像成像质量不理想,红外车辆检测仍然存在许多问题。文中提出了一种改进的YOLOv5模型,在YOLOv5的主干部分引入了混合注意力机制,使模型能够更好地关注研究者感兴趣的区域,抑制图像噪声的干扰。此外,在BiFPN基础上提出了一种改进的Z-BiFPN特征融合结构,融合更多的浅层信息,提高浅层信息利用率,并增加一个四分之一下采样的小目标检测层,同时将YOLOv5的检测头替换为解耦头来提升模型的检测能力。在自建的七类红外车辆数据集INFrared-417上进行了实验,验证了算法的有效可行性。与原始YOLOv5相比,m AP从81.1%提升到了85.3%。     

基于YOLOv5的改进小目标检测算法研究

文章针对小目标检测存在的可利用特征少、定位精度要求高、数据集小目标占比少、样本不均衡和小目标对象聚集等问题,提出将coordinateattention注意力嵌入YOLOv5模型。Coordinateattention注意力机制通过获取位置感知和方向感知的信息,能使YOLOv5模型更准确地识别和定位感兴趣的目标。YOLOv5改进模型采用木虱和VisDrone2019数据集开展实验验证,实验结果表明嵌入coordinate attention能有效提高YOLOv5的算法性能。