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。     

基于深度学习的曲面玻璃表面缺陷检测方法

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明：所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。     

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。     

基于深度学习的铝合金轮毂铸件图像缺陷检测

基于传统X射线图像的铝合金轮毂铸件缺陷检测方法存在人工检测效率低、误检率高、检测精度较差等问题,提出一种基于深度学习的铝合金轮毂铸件图像缺陷检测方法。通过引入直方图均衡化方法,实现533组铝合金铸件X射线图像缺陷特征增强;同时基于Mosaic数据增广策略随机生成含有多尺度不同缺陷类型的新图像数据,提升图像的复杂度;修改了YOLOv5主干网络,引入SENet注意力机制模块对输入特征图的重要通道进行特征提取增强。结果表明,该方法对铸件缺陷平均检测精度(mAP)达到了99.6%,对比YOLOv3、YOLOv4以及YOLOv5主流算法,平均检测精度分别提升了9%、5.1%、4.2%。相较于原网络模型,常见的4种类型(气孔、缩松、裂纹、夹杂)铸件缺陷平均检测精度提升了10.83%。该方法具有更好的泛化能力,可实现铸件多类型缺陷的自动检测,能够满足工业实际需求。     

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YOLOv4算法的冲压件缺陷检测

针对冲压件缺陷检测目前存在的人工检测强度大、效率低等问题,提出了一种基于改进YOLOv4(You Only Look Once)模型的快速检测算法(YOLOv4-Mobile).该方法使用改进的MobileNetV3网络代替YOLOv4结构中的CSPDarknet53网络,改进的MobileNetV3网络结合了深度可分...     

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YOLO-GR算法的轻量化钢材表面缺陷检测

针对工业带钢缺陷检测效率低、精度差、模型部署困难等技术不足，提出了一种改进YOLOv5s算法的轻量化钢材表面缺陷检测模型：YOLO-GR模型。首先，通过引入GhostV2 Bottleneck轻量化模块作为主干特征提取网络，以减少网络的参数量，同时将特征融合网络中的普通卷积块替换为深度可分离卷积块，进一步降低模型的计算复杂度以优化特征提取网络；然后，在检测头部分加入RepLK大卷积核提升网络感受野，以优化大尺度方差的检测效果；最后，引入W-IoU(Wise-IoU Loss)解决了带钢缺陷数据集难易样本不平衡问题，提高模型的泛化性能。实验结果表明，改进后的模型在平均检测精度上比原YOLOv5s模型提升了3.8%,在参数量和计算量比原模型下降了16.6%,模型大小仅仅12 M,为检测模型在移动端上的部署提供了可能。     

基于Transformer的陶瓷轴承表面缺陷检测方法

针对传统机器视觉检测方法中,由于陶瓷轴承滚动体表面曲率大、对比度低,表面成像模糊导致后续缺陷检测精度低的问题,提出一种基于Transformer的超分辨率残差网络。首先,网络使用残差学习策略,通过预测模糊图像与清晰图像之间的差值,实现超分辨率任务;其次,在网络上前端插入通道注意力模块和空间注意力模块并改进L2多头自注意力模块,以增强图像纹理、改善梯度爆炸问题;最后,针对超分辨率重建任务,提出一种两阶段训练策略优化训练过程。自建陶瓷轴承表面缺陷数据集上的大量实验结果表明,所提出网络模型在客观指标与主观评价上均优于MSESRGAN、VSDR等超分辨率算法,重建图像SSIM为0.939,PSNR为36.51 dB。     

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。     

基于卷积神经网络的工件表面缺陷检测方法

为了提高工件表面缺陷检测的准确率,基于卷积神经网络的原理和工件表面缺陷检测的应用背景,对分割网络模型进行了改进。改进的分割网络模型中优化分割模块中的卷积层和卷积核大小,下采样时使用最大池化代替大步长的卷积。决策模块中通过改变卷积层和池化层得到更多的输出神经元,获得了更多的工件特征。实验验证表明,改进的分割网络模型应用到工件表面缺陷准确率达到了99.4%,比目前工件表面缺陷检测技术DeepLabv3、U-Net的准确率有所提高。     

基于改进YOLOv4的移动机器人障碍物检测北大核心

为满足移动机器人障碍物检测精度与实时性的需求,解决识别网络复杂度高、体积大的问题,提出一种基于改进YOLOv4的移动机器人障碍物检测识别方法。首先,使用MobileNetv3代替原主干特征提取网络,同时使用深度可分离卷积块代替加强特征提取网络中的普通卷积块;其次,使用CDIoU提高对障碍物区域的检测能力;最后,基于移动机器人平台进行障碍物检测实验。实验结果表明,改进的模型可以达到90.2的mAP和42.04的FPS,与其他目标检测模型相比,参数量减少了40%,检测速度得到了大幅度的提升,所提障碍物检测算法具有检测精度高、检测速度快的优点,可以满足移动机器人障碍物检测的实时性和准确性要求。     

基于改进YOLOv5算法的纸袋缺陷检测

为了提高纸袋生产企业在制造过程中对纸袋手把或底部缺陷的检测精度,提出了一种基于改进YOLOv5算法的纸袋缺陷检测方法。改进算法为了提高网络定位能力,增强网络的特征学习表达能力,引入了坐标注意力机制,接着引入EIoU损失函数对原始损失函数进行改进,以此来改善原始网络损失函数纵横比的合理性,提升回归精度,最后引入一种具有类似跨阶段局部结构的简化空间金字塔池化结构,减少冗余信息处理,提升网络检测性能。实验结果表明,改进算法的平均精度平均值mAP@.5为87.3%,mAP@.5∶.95为56.8%,与YOLOv5算法相比mAP@.5提升了1.6%,mAP@.5∶.95提升了0.9%,在纸袋缺陷检测上有更优越的表现。     

针对钢材表面小目标缺陷实时检测

钢材表面缺陷检测任务中，YOLO将目标检测转换为对位置信息的回归问题，实现高帧率实时检测，但对小目标缺陷定位精度有所欠缺。针对该问题，以YOLOv5s架构为基础，首先，在模型输入端设定动态尺度训练范式，提高小目标缺陷训练精度；其次，设计STD-CA模块利用图像转换技术，避免下采样过程中分辨率的降低，导致小目标缺陷特征信息的丢失，并引导特征提取能力，降低无关背景特征关注度，进一步提高模型小目标缺陷检测精度。结果表明，在NEU-DET数据集中，改进后模型在保证检测速度保持在54 frame/s的同时，平均精度均值达到86.6%,较YOLOv5s提高17.6%,对小目标缺陷定位更加准确，目前优于其他深度学习钢材实时检测模型。     

基于OCR-UNet的金属表面缺陷分割

针对金属表面缺陷因尺寸和形状多样化导致检出率低，检出形状差异大等问题，提出一种基于改进UNet网络的金属表面缺陷分割网络OCR-UNet,以图像分割的方式检测金属表面缺陷。此方法以UNet网络提取多级多尺度特征，保留缺陷的位置信息，通过融合解码阶段的多级多尺度特征以更适应多尺度缺陷目标的检测；针对提取的特征难以表达全局上下文信息的问题，引入自注意力并使用粗分割与精分割的细化方式，增强特征对像素类别的表达能力，使其更适用于分割金属表面缺陷；同时引入交并比损失和边缘分割损失来改进网络损失，克服缺陷前景与背景样本极度不均衡问题的同时能捕获对缺陷更准确的表示，实现金属表面缺陷的准确分割。在两个表面缺陷分割数据集上的验证结果表明，所提方法的分割精度高于传统的全卷积网络(fully convolutional network, FCN)、DeepLabV3+网络及UNet网络模型，满足金属表面缺陷分割的需求。     

基于改进VGG13的冲压件表面缺陷识别方法研究

针对现有冲压件制品缺陷检测方法准确率低的问题,分析深度学习的原理与方法,以VGG13网络为基准模型,通过在特征提取层之后增加CBAM模块进行改进,提出5种基于VGG13与CBAM注意力机制模块相结合的网络模型（VGG13-CBAM）,将改进后的新模型与改进前原VGG13模型分别在武汉某制造车间采集的冲压件缺陷数据集上进行实验研究。将数据集以6∶2∶2划分为训练集、验证集、测试集,并使用数据增强进一步扩充训练集,增加模型泛化性能,对比数据增强前后效果的提升。实验结果表明：在改进后的VGG13-CBAM03网络与VGG13-CBAM04网络上效果明显提升,测试集正确率由79.65%分别提高到了81.55%和81.40%,在使用数据增强对训练集进行扩充后,测试集正确率分别达到84.25%和84.15%,有效提升了冲压件缺陷检测准确率。     

一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配（misalignment）的问题。结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22 帧/s,准确率达97.36%,召回率达 95.62%。结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。