基于改进YOLOv5s的滚动轴承表面缺陷识别算法

为了解决机械设备轴承表面缺陷检测中多目标情形下的小目标漏检率高、检测速度慢、模型精度和特征提取泛化能力不足的问题,提出一种滚动轴承表面缺陷识别网络模型YOLOv5s-CDOD。在卷积操作前,使用B-ConvNeXt网络平衡模型的精度和复杂度,保留轴承表面小目标缺陷的特征,同时提升模型的泛化能力;通过将YOLOv5s网络中的传统卷积模块替换为具有二次深度过参数化卷积的卷积（DOD-Conv）模块,在不增加模型参数的情况下,提高模型的识别精度和速度;最后,在特征处理阶段,使用VariFocal Loss损失函数,增加模型对正样本目标的学习,对轴承小目标缺陷的检测精度进一步提升。实验结果表明：与原YOLOv5s网络相比,优化后的网络参数量减少了10%,使得模型的检测速度明显提升;同时,所提模型的平均检测精度达到了94%,对轴承表面小目标缺陷的识别率也有所提高。     

基于改进YOLOv5的焊接件表面缺陷检测

为提高工业环境下焊接件表面缺陷检测精度与检测效率,提出一种改进YOLOv5目标检测模型的焊接件表面缺陷检测算法。首先,改进主干网络中的C3模块,包括引入ConvMixer混合卷积结构及Mish激活函数,并增加Shuffle Attention注意力机制,实现在提高检测精度的同时降低模型复杂度;其次,针对NWD Loss存在的不足加以改进,使其关注更多边界框几何信息;最后,将Neck中的所有标准卷积层更换为GSConv卷积层从而进一步提升网络性能。实验结果表明,改进后网络的mAP达到91.3%,与原始网络相比,提高了4.8%,并且参数量与计算量分别减少21.4%和8.9%,检测帧率达到142.9 f/s。改进模型在提高检测精度的同时降低了结构复杂度,满足工业生产中对于焊接件表面缺陷检测要求。     

基于改进YOLOv5算法的带钢表面缺陷检测北大核心

针对当前带钢在表面缺陷检测过程中存在检测算法精度有待提高等问题,提出了一种基于改进YOLOv5算法的带钢表面缺陷检测模型。首先,在检测端构建新的检测层,提高网络对不同尺寸目标的检测;其次,在主干网络结构中引入注意力模块,进一步加强网络提取特征的能力;然后,通过BiFPN_Add来增强深浅层特征信息的融合;最后,构建新的CNeB模块来取代各检测层对应的C3模块,进而增强网络对特征的提取。实验结果表明,改进后的算法在NEU-DET数据集上均值平均精度达到了80.9%,较原有的算法提升了4.5%,同时检测速度与原模型保持基本不变,性能优于目前其他主流的检测方法。     

基于改进YOLOv5算法的零件表面缺陷检测

针对现代工业生产环境对零件表面缺陷的高效率检测与计算需求,提出了一种基于YOLOv5算法网络的金属零件表面缺陷检测方法。通过引入以CBAM为基础构架的注意力机制,增强目标检测网络对特征图中重要信息的提取效率：针对小目标检测效率不佳的问题,融合了BiFPN网络与可变形卷积策略,提升算法对小目标缺陷的检测精度,降低小尺寸疵病漏检率。采用模型剪枝方法,有效降低了网络中冗余计算量,增强了算法的多种类平台嵌入泛化性,提升网络面向算力资源有限的移动平台时的兼容性。以NEU-DET数据集为例进行训练与测试,结果表明改进后的算法平均均值精度为98.5%,单帧计算速度为12.1 ms,能够实现针对金属工件表面缺陷的高精度、低延迟检测能力。     

基于机器识别的带钢表面缺陷检测研究

针对传统带钢表面缺陷检测技术落后、效率不高及小目标识别能力不足等问题,提出一种改进的YOLOv5s-Tiny目标检测模型,在保持模型较小计算量的同时提升检测速度和识别精度。通过将主干网络GSP-Darknet53替换为轻量级GhostNet网络,减少模型参数的数量,提高推理速度。在主干网络加入CBAM注意力机制,通过通道注意力机制和空间注意力机制对特征信息进行融合增强,提高小目标检测精度,并将损失函数GIoU改进为EIoU,提高检测框定位能力。最后将改善后的训练模型格式转换后安装到手机安卓端验证优化的有效性。结果表明：在东北大学数据集中,改进后模型检测精度提高1.5%的同时,召回率提升了1.5%,参数量减少12.3%;安卓端检测速度约为120 ms,完成带钢缺陷的实时检测。     

基于注意力时空特征网络的装配动作识别

为实现工人装配动作过程的识别,防止由于工人装配动作不规范而造成装配产品质量问题,研究基于深度学习方法的装配动作识别,提出一种基于通道注意力的融合时间和空间信息特征网络模型来识别装配动作的方法.利用MYO臂环传感器采集表面肌电信号,建立一个包含多种装配动作的数据集;搭建一个用于装配动作识别的神经网络,对网络模型进行评估....     

基于改进YOLO V5的缺陷识别与定量分析

采用YOLO V5算法对碳纤维复合材料预置夹杂缺陷的识别方法展开研究。为了在提高检测精度的同时保证检测效率,通过添加通道注意力机制、空间注意力机制、使用k-means++重新聚类先验框和优化损失函数等措施改进原算法。利用改进后的网络训练缺陷数据集,每秒处理的图片数量逾12幅,平均精度达到98.8%,召回率为98.1%。与其他算法相比,该算法检测精度和速度都有所提高,可满足实时性和准确性要求。     

基于改进YOLOv3的蝶阀柔性装配图像识别方法及应用研究

蝶阀的柔性装配还处于人工识别阶段,生产效率低.提出一种基于YOLOv3的蝶阀柔性装配图像识别方法.为了降低YOLOv3算法检测多个目标体边界框重合率,提出一种YOLOv3改进算法;利用该算法进行蝶阀部件模型训练;利用已训练好的模型,对工业相机采集的蝶阀装配体图像进行检测.经实验验证,针对蝶阀装配体的识别准确率可达90....     

基于改进YOLOv5的轴类零件表面缺陷检测算法

针对当前轴件表面缺陷种类繁多、缺陷形态复杂等原因导致的检测精度低,提出了一种改进的YOLOv5的目标轴件表面缺陷检测方法。为解决在日常生产中经常出现轴件表面小目标缺陷被漏检、错检的问题,在原YOLOv5基础上,添加一个新的小目标检测层,并将较浅特征图与深特征图拼接,使得整个网络更加关注小目标缺陷。同时为解决多目标缺陷和不完整轴件检测精度低与漏检,自建数据集中添加多目标缺陷与遮挡处理的轴件图像数据,经对比实验可知,改进的YOLOv5模型的检测性能优于FasterRCNN、SSD、原始YOLOv5三种主流算法模型,测试的平均值精度分别高出7%、9%、4%。证明了该方法对轴件的表面缺陷检测精度更高,且对多目标缺陷与不完整的轴件的检测效果有显著提升。     

基于改进YOLOv8的堆叠零件实例分割研究

为了实现复杂工业环境下机器人对堆叠零件的快速识别拣选,构建一种改进的YOLOv8s实例分割模型,并应用于堆叠零件实时识别分割中。针对堆叠工业零件不易分割的问题,将原始模型的主干网络替换为提取特征能力更强的PoolFormer主干网络,提升堆叠零件边缘分割效果;为了更好地过滤掉多余背景信息,保留关键信息,引入了效果更好的CARAFE上采样模块。试验结果表明,改进后模型的分割平均精度和预测框平均精度分别为93.57%和97.47%,相比原模型提升了1.89%和1.23%,且远高于同类型的YOLACT++和SOLOv2模型,验证了改进模型的有效性。     

基于改进YOLOv5算法的钢管焊缝缺陷检测

针对X光图像下钢管焊缝缺陷对比度弱﹑缺陷尺寸大小不一﹑同类缺陷形状变化大等因素导致的缺陷检测率不高的问题,提出一种改进YOLOv5的焊缝缺陷检测算法。首先,对X光图像进行去模糊处理,获得较清晰的焊缝图像;其次,在YOLOv5的主干网络中引入动态区域感知卷积代替标准卷积,保证参数不增加的情况下,增强特征提取能力;进一步针对YOLOv5中CSP特征金字塔融合准则过于简单的问题,采用了一种高效的特征融合机制以增强特征表达能力;最后,在检测头部分引入可学习权重参数,实现检测头中的特征自适应融合。实验结果表明,与传统YOLOv5算法相比,虽然检测速度从32.2 fps降到27.5 fps,但是检测的mAP提高了3.3%,达到94.6%,初步满足实际生产中钢管焊缝缺陷自动检测需求。     

基于改进轻量型YOLOv5的太阳能电池板缺陷检测

为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题,同时平衡各类缺陷的检测精度和速度,提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块,减少了模型参数量,提高模型检测速度;同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取;然后设计了融合SimAM注意力机制的ASFF自适应特征融合模块,在改进多尺度特征提取的同时减轻模型的重量;最后增加P2检测层,提高小目标的检测效率,给模型带来持续的性能提升。实验结果表明,改进算法与原YOLOv5模型对比,参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用;检测精度达到了96.2%,比最新的YOLOv7-tiny提高了5.3%,证明了其优势。     

基于多特征融合的零件分类与姿态识别

由于待装配的小型断路器零件存在种类繁多且外形复杂多样等特点,给零件的分类和姿态识别等工作带来极大的困难.针对上述问题,在分析了零件自身及其成像特征的基础上,提出了一种融合零件颜色、面积、轮廓及成像等多种特征的分类、姿态识别与抓取点定位方法.该方法首先通过对不同特征参数与其给定阈值进行比较和对同种零件不同姿态下的成像差异...     

改进YOLOv5的钢材表面缺陷检测网络轻量化研究

在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。     

基于YOLOv5和DeepSORT的金刚石锯丝磨损监测

为提高金刚石线锯切割的效率和质量,满足实时监测锯丝磨损的需求,提出一种基于改进的YOLOv5检测算法,在YOLOv5的基础上融合坐标注意力机制和BiFPN模块,使检测精确度、召回率、平均精度均值分别提高1.7%、3.7%、3.2%,能够有效检测不同磨损程度的磨粒;再连接DeepSORT多目标跟踪算法,设置虚拟检测线,统计不同磨损程度的磨粒数量,进而监测金刚石锯丝的磨损情况。     

基于YOLOv5s网络改进的钢铁表面缺陷检测算法

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明：改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。     

基于改进YOLOv5网络的轮胎规格字符识别

针对于汽车轮胎规格字符识别效率低、准确率低等问题,提出一种改进YOLOv5网络的轮胎规格字符识别方法。首先,将YOLOv5中的耦合头改为解耦头,提高网络的泛化能力;其次,提出C3-Faster模块,替换YOLOv5的Backbone和Head中的部分C3模块,提高网络的计算速度;最后,选用WIoU损失函数替换YOLOv5的CIoU损失函数,优化网络。通过对比实验,验证了C3-Faster和WIoU损失函数的有效性,在消融实验中,改进后的网络训练时间减少,mAP提高了3.7%,Precision提升2.1%。实验结果表明,该方法在汽车轮胎规格字符识别的有效性,提高了识别的准确性。     

基于机器视觉和深度神经网络的零件装配检测

针对工业生产中存在着大量的零件识别定位以及装配检测等,传统人工检测效率低、劳动强度大、识别不准确。文章提出了一种基于深度神经网络的零件装配检测方法。首先该方法对零件图像和装配图像进行采集,选择Mask-RCNN网络进行训练,对装配零件进行分类以及定位,通过已识别的零件类型判定装配件是否存在漏装;然后将分割后的零件图像进行二值化处理,利用Canny算子提取零件图像轮廓;最后利用图像的Hu矩特征与正确的零件图像轮廓进行对比,判断装配是否正确。通过实验验证可得,该方法在零件装配中的漏装和换装检测中效果较好,并表现出较高的鲁棒性。     

基于改进YOLOv7的换热器板片故障检测算法研究

针对换热器板片装配检测成本高、检测精度低等问题,提出一种改进的YOLOv7算法检测换热器板片的装反问题。在原始数据集上采用限制对比度自适应直方图均衡化对图像进行处理,提高待检测图像的清晰度;在YOLOv7模型原有基础上,针对换热器板片层数较多、模糊且噪点多,提出一种多级自适应注意力机制添加至Backbone最后一层;针对图像识别模型计算量大、下采样特征损失严重,采用改进的MP-D模块优化原有的下采样模块;针对特征提取部分,加入 F-ReLU 激活函数,使得计算速度和检测准确性有了明显提高;针对Neck部分的PANet结构,融合BiFPN跨尺度连接的思想,进一步提高融合的效     

基于多Agent的复杂传动件虚拟装配系统研究

目前虚拟装配系统存在人机交互度低和配置复杂难解决实际问题等弊端,以多级齿轮传动件为对象,将各虚拟零件均设置为一个Agent,提出了一种基于多智能体的复杂多级传动件的人机交互系统的情境装配模型。开发了基于多Agent的复杂传动件装配系统。能按照用户需求进行零件精准装配定位、动力学运动仿真、学习装配知识、装配效果评价等。为复杂传动件提供了虚拟装配、碰撞检测、知识学习及决策的仿真系统,能够提高系统的智能性、人机交互度与装配效率。