基于轻量化深度学习网络的工业环境小目标缺陷检测

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.     

基于改进YOLOv4的工件表面缺陷检测方法

针对将深度学习用于工件检测环境中计算资源受限的问题,提出了一种基于改进YOLOv4的工件表面缺陷检测方法。首先,使用轻量化网络模型MobileNetV2替换YOLOv4原有的主干特征提取网络,并使用深度可分离卷积替换掉YOLOv4中使用的3×3标准卷积,大幅减小模型的参数规模,提升模型的检测速度;其次,提出一种图像预处理方法,在输入检测网络前定位并裁取出图像中工件的区域;最后,由于YOLOv4已有的Mosaic数据增强方法在自制VOC数据集上表现不佳,引入一种新的数据增强方法以防止训练过程产生过拟合现象。实验结果表明,该方法对工件缺陷的检测精度达到90.63%,检测速度为每秒34.56帧,相较于原始YOLOv4模型,模型规模减小82.1%,检测精度提升了2%,检测速度提升了150%;与SSD和Faster R-CNN等模型相比较,该模型在检测速度和检测精度上有着出色的综合表现,能够针对工件银面缺陷进行高效的检测。     

面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO

基于深度学习的智能检测技术逐渐在复杂钢铁生产环境带钢表面缺陷检测过程中使用。为了应对在资源受限的边缘设备中部署高精度模型的挑战，提出一个面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO模型，该模型将可形变卷积网络DCN与原始YOLOv5结合，以提高模型对不同尺寸和形状缺陷的灵敏度。为降低计算复杂度，在YOLO模型中引入了深度可分离卷积DSConv和高效通道注意力机制ECA两个轻量级模块，使模型更好地理解输入数据中各个通道之间的关系，在提高模型的检测精度和泛化能力的同时，大幅降低模型的计算量。进一步通过消融实验及横向对比实验，验证了每个创新模块的有效性。通过经典的开源带钢数据集NEU-DET和实际工业带钢数据集分别验证了轻量级DCN-YOLO模型在表面缺陷检测精度和计算复杂度方面的优势。     

改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。     

基于联合注意力的复杂纹理瓷砖缺陷检测方法

复杂纹理瓷砖表面存在较多的低可视度小目标缺陷与严重的复杂纹理背景干扰,使应用目标检测方法时易出现较高的误检率和漏检率。为提升复杂纹理瓷砖表面缺陷检测效率,提出了基于通道与空间联合注意力的复杂纹理瓷砖表面缺陷检测方案。首先通过建模深浅层特征通道间关系设计了一种选择性特征融合方法,以提升模型对小目标缺陷的特征表达;其次,提出了通道与空间联合注意力模块,通过通道注意力和空间注意力来筛选关键特征通道和抑制纹理区域,使模型着重于学习缺陷特征以增强模型辨别缺陷与纹理的能力;最后,在复杂纹理瓷砖表面缺陷数据上进行了实验验证。实验结果表明,相较于AFF(attentional feature fusion)和CBAM(convolutional block attention module)方法,选择性特征融合方法和通道与空间联合注意力模块使模型检测性能分别提高了5.3 AP、6.32 AP。最终,实验证明了该方案分别优于现有的瓷砖检测方法YOLOv5和纹理织物缺陷检测AFAM方法1.32 AP、2.12 AP。     

基于轻量化YOLOX的电子元器件缺陷检测方法研究

针对传统目标检测方法在对电子元器件进行缺陷检测时存在参数量大、检测效率低的问题，提出了一种基于轻量化YOLOX检测网络的目标检测方法。首先，使用深度可分离卷积对主干网络实现轻量化处理，减少参数量的同时提高检测速度；其次，构建基于空间金字塔的通道注意力模型，对不同尺度特征进行筛选融合，加强小尺寸缺陷的特征权重；在特征融合的采样过程中，加入高效通道注意力，在略微增加参数量的情况下，提升检测精度；最后，采用EIoU损失函数优化IoU损失函数，并使用余弦退火算法来使模型达到最佳检测效果。采用自制的电子元器件外观缺陷数据集进行实验，所提方法的平均检测精度达到98.96%,每幅图像的检测时间大约为0.09 s,与原YOLOX网络相比检测速度提高了一倍，模型大小缩小了约60%,并且在PCB瑕疵公共数据集上进行了验证，结果表明所提方法实现了目标缺陷的快速检测。     

改进注意力机制的型钢表面微小缺陷检测方法

针对型钢表面缺陷种类多样、微小缺陷占比较大导致的检测效率低、检测精度差的问题,提出了一种基于双重多尺度注意力机制的表面缺陷检测方法DMSA-YOLOv3,实现型钢表面多尺度缺陷快速精确检测。构建了基于通道和空间的双重多尺度注意力模型DMSA,对不同尺度特征进行筛选融合,强化小尺度缺陷的特征权重;改进了YOLOv3模型,使用深度可分离卷积对DarkNet53特征提取主干网络实现轻量化处理,提高检测速度,并构建多尺度长距离上下文特征提取层,使用4种不同扩张率的并行空洞卷积替代全局池化,提高模型对小尺寸缺陷的特征提取能力;构建了融合DMSA模型和改进YOLOv3模型的DMSA-YOLOv3缺陷检测模型,并应用于型钢表面多尺度缺陷检测。实验结果表明：DMSA-YOLOv3模型具有97.6%的多类别平均检测精度和55.3?frame/s的检测速度,与YOLOv3模型相比分别提升了4.7个百分点和24.5?frame/s;最小可检出20×20像素（约10×10?mm2）缺陷,与YOLOv3模型相比提高了6.25倍,有效提升了型钢表面缺陷的检测精度与检测速度。     

基于多特征融合的轻量化无锚人脸检测方法

针对大多数基于深度卷积网络的人脸检测方法存在因模型参数和计算量大造成的检测速度慢,以及复杂场景下人脸检测准确率低的问题,提出一种基于多特征融合的轻量化无锚人脸检测方法。构造轻量化卷积神经网络作为特征提取的骨干网络,以加速网络计算过程;引入三种模块处理并融合特征层,包括：感受野增强模块强化图片信息提取、权重特征融合模块提升检测准确性以及通道混洗融合模块简化计算过程;使用中心点定位的无锚检测方法对融合后的特征进行预测。实验结果显示,该方法模型参数量仅为5.1?MB,对比该基准方法,在WIDERFACE验证集中的简单、中等和困难难度的检测准确率分别提升1.4、2.2和4.8个百分点,表明该方法在保证模型轻量化的同时对复杂场景人脸有着较高的检测精度,验证了所提方法的有效性。     

基于轻量化YOLO网络的实时X射线焊缝缺陷检测

X射线无损检测是进行焊缝焊接质量检查的重要方法,为了提高射线评片效率和准确率,本文提出了基于轻量化YOLO网络的实时X射线焊缝缺陷检测方法。首先,在分析焊缝射线检测图像特征的基础上,为提升焊缝图像缺陷检测精度与速度,设计了级联缺陷检测模型,先使用经过轻量化设计的焊缝定位网络定位缺陷集中分布的焊缝区域,再使用滑窗裁剪操作,将切割的小图输入到缺陷检测网络中进行精准的缺陷检测。然后,为了应对缺陷样本过少导致的网络过拟合问题,本文提出了基于负样本正常图像的Copy-Pasting数据增强策略,提升了缺陷检测精度。实验结果表明,本文提出的方法能够有效降低网络模型大小,同时mAP0.5达到99.5%,精确率99.8%,召回率99.6%,检测速度在20 frame/s至33 frame/s,能够满足实时辅助评片的要求。     

基于深度神经网络损失函数融合的文本检测

针对基于传统深度神经网络的自然场景文本检测存在检测效果较差、文本边界框检测不准确等缺陷,提出基于损失函数融合的深度神经网络。将损失函数Balanced loss,利用加权的方法与传统深度神经网络进行融合,用于提高文本框边界区域及图像中难检测像素点的损失值,从而约束模型的优化方向,提升模型学习复杂特征的能力。实验结果表明,在自然场景文本检测中所提出方法有效提高了网络的检测准确性。     

基于MobileVit轻量化网络的车辆检测方法

针对车辆检测模型参数量大,以及对小目标和遮挡目标漏检问题,提出了一种基于MobileVit轻量化网络的车辆检测算法。首先,在数据预处理阶段使用GridMask图像增强方法,提升模型对遮挡车辆目标的检测性能;其次,使用基于MobileVit网络作为模型的主干特征提取网络,充分提取特征信息且使得模型轻量化;最后,在预测层网络中,使用基于PANet实现多尺度的车辆检测,提升模型对小目标车辆的检测能力。实验结果表明,该模型的平均检测精度达98.24%,检测速度达每张图片0.058 s,模型大小为136 MB,与对比算法相比综合性能更好。     

改进YOLOv5的瓷砖表面缺陷检测

现有瓷砖表面缺陷检测存在识别微小目标缺陷能力不足、检测速度有待提升的问题, 为此本文提出了基于改进YOLOv5的瓷砖表面缺陷检测方法. 首先, 由于瓷砖表面缺陷尺寸偏小的特性, 对比分析YOLOv5s的3个目标检测头分支的检测能力, 发现删除大目标检测头, 只保留中目标检测头和小目标检测头的模型检测效果最佳. 其次, 为了进一步实现模型轻量化, 使用ghost convolution和C3Ghost模块替换YOLOv5s在Backbone网络中的普通卷积和C3模块, 减少模型参数量和计算量. 最后, 在YOLOv5s的Backbone和Neck网络末端添加coordinate attention注意力机制模块, 解决原模型无注意力偏好的问题. 该方法在天池瓷砖瑕疵检测数据集上进行实验, 实验结果表明: 改进后的检测模型的平均精度均值达66%, 相比于原YOLOv5s模型提升了1.8%; 且模型大小只有10.14 MB, 参数量相比于原模型减少了48.7%, 计算量减少了38.7%.     

基于多教师知识蒸馏网络的钢铁表面缺陷诊断

随着人工智能技术的发展，基于深度学习的产品表面缺陷检测逐渐成为工业品质检验的重要手段。然而，传统的单一模型在复杂数据分布下的效果不尽如人意，因此采用集成学习的方法提高模型的诊断精度。文章提出了一种基于多教师知识蒸馏网络的工业产品表面缺陷诊断方法。该方法将3个结构差异较大的模型（ResNet50、Inception-v4和EfficientNet）作为教师网络，再将知识蒸馏到一个轻量化的学生网络（MobileNetv3）中，从而诊断钢铁表面缺陷。通过实验验证可知，多教师知识蒸馏网络比单一模型具有更高的准确率和鲁棒性。实验结果表明，该方法不仅可以提高钢铁表面缺陷诊断的精度，而且可以有效应用于其他复杂数据分类问题。     

基于Efficient-YOLO的轻量化轴承缺陷检测

针对现有深度模型在工业轴承外观缺陷检测领域, 存在模型参数量大、特征融合不充分以及对小目标检测精度低等问题, 提出了一种轻量化自适应特征融合检测网络(Efficient-YOLO). 首先, 该网络采用嵌入CBAM注意力机制的EfficientNetV2结构进行基本特征提取, 便于确保模型精度同时显著优化模型参数量; 其次, 设计了一种自适应特征融合网络(CBAM-BiFPN), 用来增加网络对有效特征信息的提取; 接着, 在下游特征融合网络引入Swin?Transformer机制, 同时配合上游网络引入的Ghost卷积, 大幅度提高模型对轴承外观缺陷的全局感知能力; 最后, 在推理阶段运用改进的非极大值抑制方法(Soft-CIoU-NMS), 加入距离有关的权重评价因素, 减少了重叠框的漏检. 实验结果表明: 与现有主流检测模型相比, 此方法在轴承表面缺陷数据集上, mAP达到了90.1%, 参数量降低至1.99M, 计算量为7 GFLOPs, 对轴承缺陷小目标识别率显著提升, 满足工业现场轴承外观缺陷检测需求.     

基于轻量化SSD的人脸检测模型设计

针对传统深度学习检测模型精度高、结构复杂、参数量大,检测速度慢,以及轻量级模型结构简单参数量小,精度损失明显的问题,提出了一种轻量化基于单步候选区回归的目标检测算法(SSD)的人脸检测模型,兼顾检测精度和检测速度的需求.基于传统模型特征图所存在的冗余现象,设计了一种轻量化卷积,以线性变换代替部分卷积操作,既能保持特征图的数量,又减少了模型参数和运算量.同时,采用性能更好的Hard_Swish激活函数,以加快收敛速度并提高模型精度.通过FDDB人脸数据集的测试结果可以看出,综合考虑精度、参数量、速度等指标,轻量化模型在保持了人脸检测精度的前提下,大大压缩了模型体积、提高了模型的检测速度,达到了影视实时性检测要求.     

改进YOLOv5的轻量级带钢表面缺陷检测

针对工业场景下设备资源有限的情况,提出一种改进YOLOv5的轻量化带钢缺陷检测模型.首先,使用Shuffle Netv2代替主干特征提取网络,优化模型参数量和运行速度;其次,采用轻量级上采样算子CARAFE (contentaware reassembly of features),在增大感受野的同时进一步降低参数和计算量;同时引入GSConv层,在保证语义信息的同时平衡模型准确性与检测速度;最后,设计一种跨层级特征融合机制,提高网络的检测精度.实验结果表明,改进后的模型的平均检测精度为78.5%,相较于原始YOLOv5算法提升了1.4%;模型计算量为10.9 GFLOPs,参数量为5.88×10⁶,计算量和参数量分别降低31%和15.4%;检测速度为49 f/s,提升了3.5 f/s.因此,改进后的模型提高了检测精度和检测速度,并且大幅降低了模型的计算量和参数量,能够满足对带钢表面缺陷进行实时检测.     

基于改进YOLOv4的汽车钢铁零件表面缺陷检测

针对YOLOv4在自建的汽车钢铁零件表面缺陷数据集中检测精度不足的问题,利用深度学习的优势,提出一种基于改进YOLOv4的汽车钢铁零件表面缺陷检测方法。首先采用加权K-means算法确定初始anchors预选框,增强anchors框和特征图尺寸的匹配精度,提高检测效率;然后在YOLOv4主干网络的残差单元中引入SE模块,增加有用特征的权重,抑制无效特征的权重来提高检测精度;最后在76×76的特征图后连接RFB-s模块,增强对小目标信息的特征提取能力。实验结果表明,针对自建汽车零件表面缺陷数据集有无缺陷单类检测问题,改进算法比原始YOLOv4的mAP50值提高了4.3个百分点,对小目标具有更好的检测效果。这说明改进算法能满足针对特定的汽车钢铁零件表面缺陷检测问题下的检测速度和精度要求,有效解决了实际问题。针对COCO数据集多分类问题,改进后模型的mAP50值比原始YOLOv4提高了0.2个百分点,FPS值达到20,说明改进算法能够迁移到其他数据集,验证了该算法的泛化性。     

基于轻量化YOLOv4的发电机定子表面缺陷检测算法

目前大型发电机定子表面缺陷检测主要以抽转子的人工检测为主,存在检测周期长,准确率差等问题,论文提出一种基于轻量化YOLOv4的发电机定子表面缺陷检测算法,以腔内爬壁机器人为载体进行定子缺陷检测.将改进的Mo?bileNetv3作为算法的主干特征提取网络,通过在特征融合层引入CSP结构,融合卷积层和BN层的方法,使得论文算法模型体积较YOLOv4大幅减小.实验结果表明,论文算法在本文发电机定子表面缺陷数据集上的平均检测精度为98.3％,优于原始YOLOv4,模型体积比YOLOv4缩小了84.5％,检测速度提高了45.4％,表明了该方法在嵌入式平台上进行发电机定子缺陷实时检测的应用前景.     

改进YOLOv5s的轨道障碍物检测模型轻量化研究

针对传统列车轨道障碍物检测方法实时性差和对小目标检测精度低的不足,提出一种改进YOLOv5s检测网络的轻量化障碍物检测模型。引入更加轻量化的Mixup数据增强方式,替代算法中原有的Mosaic数据增强方式;引入GhostNet网络结构中的深度可分离卷积GhostConv,替代原有YOLOv5s模型中特征提取网络与特征融合网络中的普通卷积层,减小了模型的计算开销;在模型特征提取网络末端加入CA空间注意力机制,让算法在训练过程中减少了重要位置信息的丢失,弥补了改进GhostNet对检测精度的损失;将改进后的模型进行稀疏训练和通道剪枝操作,剪掉对检测精度影响不大的通道,同时保留重要的特征信息,使模型更加轻量化。实验结果表明,改进后的模型在自制的多样化轨道交通数据集上,相较于原始YOLOv5s算法,在模型大小减小9.7 MB,检测速度提高14 FPS的前提下,检测精度提升了1.0个百分点。同时与目前主流的检测算法对比,在检测精度与检测速度上也具有一定的优越性,适用于复杂轨道交通环境下的障碍物目标检测。     

基于深度强化学习的遥感图像可解释目标检测方法

随着遥感技术的飞速发展,遥感图像目标检测在资源勘探、城市规划、自然灾害评估等方面得到广泛应用.遥感影像背景复杂、目标尺度较小,难以检测.针对此问题,文中提出基于深度强化学习的遥感图像可解释目标检测方法.首先,将深度强化学习应用于超快速区域神经网络中的候选区域生成网络,修改激励函数,提高对遥感图像的检测精度.然后,将原有参数量较大的主干网络轻量化,提高方法的检测速度和可移植性.最后,利用网络解剖方法对隐层表征的可解释性进行量化,赋予方法人类理解的可解释性概念.实验表明,文中方法在3个公开的遥感数据集上的性能有所提升.通过改进的网络解剖方法进一步验证方法的有效性.