基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。     

基于改进YOLOv5模型的织物疵点检测

针对传统机器学习方法检测织物疵点精度低，小目标检测较困难的问题，提出一种基于改进YOLOv5的织物疵点的目标检测算法。在YOLOv5模型的Backbone模块中分别引入SE注意力机制和CBAM注意力机制，使模型聚焦于图像中的关键信息，改进传统YOLOv5网络检测精度不高的问题。结果表明：改进后的模型具有更好的检测性能，其中引入CBAM模块后提升幅度最明显，较原网络mAP值提升了7.7%,基本满足织物疵点检测需求。     

基于深度学习的布匹疵点检测方法

为快速、准确检测布匹疵点,提出以深度学习目标检测框架YOLOv4为基础的布匹疵点检测方式,首先将5种常见疵点图像(吊经、百脚、结点、破洞、污渍)进行预处理,然后将图像输入到YOLOv4算法中进行分类。YOLOv4采用CSPDarknet53作为主干网络提取疵点特征,SPP模块、FPN+PAN的方式作为Neck层进行深层疵点特征提取,预测层采用3种尺度预测方式,对不同大小的疵点进行检测。研究结果表明:经600个测试集样本的验证,该方法对疵点图像的检测准确率达95%,检测单张疵点图像的速率为33 ms。与SSD、Faster R-CNN、YOLOv3方法进行比较,采用YOLOv4方法准确率更高,速度更快。     

基于YOLOv5n的轻量级织物疵点检测算法

针对轻量级模型在检测织物疵点时精确率低的问题,在YOLOv5n的基础上提出一种上下文增强与混合感受野的织物疵点检测算法。首先,为主干网络设计了一种轻量扩张卷积空间金字塔模块,并将主干网络的下采样比增加至64,在增强上下文信息的同时提取更深层的语义信息,提高模型识别性能;其次,为颈部网络设计了一种混合感受野融合模块代替原C3模块并进行特征融合,提高极端长宽比目标的检测精度。实验表明：该算法在基于天池织物数据集上的IOU阈值为0.5时的平均精度均值mAP₅₀、精确率、召回率分别达到了93.1%、91.6%、89.1%,相较于原YOLOv5n算法分别提高了4.9%、7.3%、5.0%,且模型文件大小仅6.28 MB,更适用于织物疵点检测领域。     

结合特征学习与注意力机制的服装图像分割

针对小尺寸服装与遮挡服装图像分割准确率低的问题,提出一种基于改进多尺度特征学习策略与注意力机制的服装图像分割方法。以Mask R-CNN为基础框架,首先采用增强特征金字塔网络优化模型的特征学习过程,对多尺度服装特征进行统一监督,缩小不同层级之间的语义差距,引入残差特征增强模块减少高层特征损失,采用软感兴趣区域选择自适应地获取最优感兴趣区域特征;然后在分类预测分支引入通道注意力模块,在边界框回归与掩膜预测分支分别引入空间注意力模块,提取图像中需要重点关注的服装区域特征。结果表明,与其他方法相比,本文方法改善了小尺寸服装图像和遮挡服装图像分割中存在的漏检、漏分割现象,提取出的服装实例更精确,其平均精度均值比原模型提升了3.8%。     

基于改进faster R-CNN算法的小目标车辆检测

针对faster R-CNN对远距离小目标车辆的检测效果较差的问题,文章融合特征金子塔网络(FPN)和faster RCNN,提出了反卷积反向特征融合faster R-CNN算法。首先,对faster R-CNN算法的特征提取网络进行改进,选用ResNet-101网络替换VGG网络,不仅降低了训练难度,而且有效改善梯度消失问题,将其与提出的反卷积反向特征融合结构相结合,提高对远距离小目标车辆信息的多尺度特征的提取和表达能力;然后,将网络中的ReLU激活函数改进为Mish激活函数,用整个区域的光滑曲线解决ReLU函数会丢失一部分信息的问题,以整体提高网络对车辆目标的精确度、稳定性和鲁棒性;最后,在自建的小目标车辆图像库中与faster R-CNN、YOLOv3等算法进行对比实验,综合场景下平均精度分别提高2.18%、2.98%,对于小目标车辆,平均精度分别提高5.72%、2.10%。     

基于迁移学习和改进ResNet50网络的织物疵点检测算法

针对目前工业现场织物疵点检测准确率低、速度慢和疵点识别种类少的问题,提出一种改进ResNet50网络的织物疵点检测算法。首先对数据集进行预处理,对数据样本切割增强生成模型训练集,包括无疵点和8类常见疵点类别;然后改进ResNet50网络结构,提取在大型数据集ImageNet上预训练好的权重参数迁移学习;最后反复调整超参数训练得到的疵点检测识别模型。通过多组对比实验结果表明,改进模型对正常织物和8类常见疵点识别准确率达到96.32%,比标准模型精度提升4.2%,速度提升1倍。在不同织物疵点数据集中测试,综合性能最好,泛化能力强,鲁棒性好,可以满足工业生产现场织物疵点检测需求。     

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。     

基于YOLOv4改进算法的乒乓球识别

传统的基于颜色分割的乒乓球识别方法易受光线、清晰度影响,鲁棒性较低。为解决这一问题,对YOLOv4进行改进,用K-means聚类设计先验框,增强尺度适应性。针对乒乓球尺寸,裁剪网络分支并压缩卷积层,加快特征提取速度。针对采集数据正负样本不均衡,改进损失函数,提高预测框边界准确度。使用快速NMS算法加速预测过程,提高模型的计算速度。实验结果表明,基于YOLOv4的改进模型在乒乓球识别任务中精度达到94.12%,帧处理速率达到39.34fps。     

Faster RCNN模型在坯布疵点检测中的应用

探讨Faster RCNN模型在坯布疵点检测中的应用效果。在原始Faster RCNN的基础上,采用提取特征效果更好的深度残差网络,先使用残差网络进行坯布图像特征提取,再通过区域生成网络及Fast RCNN检测网络对坯布的疵点目标进行分类与检测。试验对比了Faster RCNN分别与VGG16、ResNet101结合时的检测结果,并讨论了不同参数对结果的影响。试验结果表明:该方法可以有效解决坯布疵点检测问题,检测准确率能够达到99.6%。认为:基于Faster RCNN目标检测与ResNet101卷积神经网络相结合的方法能够满足坯布生产过程中对于表面疵点进行准确检测的需求。     

基于改进YOLOv5的皮革抓取点识别及定位

为实现机器人对皮革抓取点的精确定位,文章通过改进YOLOv5算法,引入coordinate attention注意力机制到Backbone层中,用Focal-EIOU Loss对CIOU Loss进行替换来设置不同梯度,从而实现了对皮革抓取点快速精准的识别和定位。利用目标边界框回归公式获取皮革抓点的定位坐标,经过坐标系转换获得待抓取点的三维坐标,采用Intel RealSense D435i深度相机对皮革抓取点进行定位实验。实验结果表明：与Faster R-CNN算法和原始YOLOv5算法对比,识别实验中改进YOLOv5算法的准确率分别提升了6.9%和2.63%,召回率分别提升了8.39%和2.63%,mAP分别提升了8.13%和0.21%;定位实验中改进YOLOv5算法的误差平均值分别下降了0.033 m和0.007 m,误差比平均值分别下降了2.233%和0.476%。     

基于改进Faster R-CNN的食品包装缺陷检测

目的：对纸质包装盒缺陷进行准确的识别与定位。方法：应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测。对训练集图片进行数据增强并添加噪声，提升模型的训练精度和鲁棒性；将特征提取网络替换为ResNet50，并融合特征金字塔网络（FPN），提高模型多尺度检测的能力；使用K-means++对数据集中缺陷尺度进行聚类，优化锚框方案。结果：改进后的Faster R-CNN模型在测试集上的平均准确率（AP）达到93.9%，检测速度达到8.65帧/s。结论：应用改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位，可应用于包装盒缺陷的自动检测与分拣。     

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明：提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。     

基于YOLOv7-Sim和无人机遥感影像的烟株数量检测

植株数是用于监测作物生长状况和估测产量的重要田间表型性状。为实现烟草植株数高效自动清点，针对无人机遥感影像烟株检测中存在小尺寸聚集目标容易漏检的问题，提出了一种YOLOv7目标检测优化模型YOLOv7-Sim。首先引入Sim AM注意力机制增强图像特征之间的聚合能力；然后加入小目标检测层强化算法对小目标的检测能力；再对定位损失函数进行优化，引入了EIOU定位损失函数；最后利用分块策略解决大图像检测中小目标容易采样丢失的问题。在VisDrone2019数据集和本文构造的UAVTob无人机遥感影像烟草数据集上的检测结果显示，检测均值平均精确率mAP@0.5提升了0.3%和6.3%,mAP@0.5:0.95提升了0.6%和18.3%,YOLOv7-Sim算法对无人机遥感影像中的烟株检测更具优越性。     

基于卷积神经网络和迁移学习的色织物疵点检测

针对色织物疵点检测准确率较低的问题,提出一种基于卷积神经网络的疵点识别方法。首先对织物图像进行预处理,然后将无疵点织物和5类疵点织物图像样本输入到残差网络模型进行训练和测试,最终总识别率为91.53%。以残差网络模型为例,研究了迁移学习在织物疵点识别中的应用。将ImageNet数据集上预训练的图像特征迁移到织物疵点识别任务上,并在两个大小不同的数据集上比较迁移学习的效果。结果显示,当数据集较小时,通过迁移学习可以提升模型的识别率。     

基于改进RefineDet的织物疵点检测

为了实现织物疵点的自动检测与分类,提出了一种基于改进RefineDet的疵点检测方法。首先,将VGG16改为全卷积网络对织物图像特征进行提取;其次,为了获取疵点重要的特征并抑制不必要的特征,在Anchor细化模块(Anchor refinement module, ARM)中加入了注意力机制;为了提高网络的分类性能,在传输连接块(Transfer connection block, TCB)中加入了SE模块(Squeeze and excitation, SE);最后,目标检测模块(Object detection module, ODM)将检测的结果回归到准确的目标位置,并预测疵点的类别,对疵点进行定位。结果表明：本文算法对孔、污渍、纱疵和线状4种类别织物图像的均值平均精度mAP达到了79.7%,比传统RefineDet检测方法均值平均精度提高了5.0%,具有良好的分类和定位效果。     

一种基于改进的YOLOv3算法在粮虫小目标检测的应用

原始YOLOv3模型被认为适合求解多尺寸的图像目标检测问题,但是对于粮虫小目标检测存在表征能力不足且检测效率较低的问题。本文基于此提出了一种融合GIoU算法的YOLOv3检测模型,一方面使用GIoU算法弥补IoU算法对于两个不相交box无法进行量化的问题,同时使用GIoU对损失函数进行优化,损失函数优化为GIoU损失、置信度损失和分类损失三方面;另一方面使用五种数据增强手段对原始1 998张数据集进行数据增强,最终形成大小为9 990张的数据集,并使用K-means聚类算法对自制数据集进行聚类分析,聚类出符合粮虫小目标检测的先验框。针对自制的9 990张粮虫的数据集进行实验获得了99.43%的mAP和每幅图像0.040 s的检测速度,与原始YOLOv3模型相比,本文所提模型对于小目标的粮虫检测效果得到了很大的提升。     

基于改进Faster RCNN的化纤丝缺陷检测

为提高化纤丝生产加工中出现的断线和疵点类缺陷的检测精度，对Faster RCNN算法进行改进。首先，在主干特征提取网络上加入可变形卷积模型，以提高网络对不同缺陷特征的适应性；其次，采用递归特征金字塔(Recursive Feature Pyramid, RFP)结构替换原特征金字塔网络(Feature Pyramid Network, FPN),进行二次特征提取；最后，改进损失函数，采用Rank&Sort Loss(RS Loss)函数替代原分类损失函数，解决化纤丝2类缺陷样本量相差较大问题。对比实验后得出，改进后的方法训练得到的mAP值为84.7%,较初始模型提高了4.3%,可以满足实际生产加工中对化纤丝缺陷的智能检测要求。     

基于图像处理的织物疵点检测系统硬件设计

主要研究图像处理方法以及对织物疵点的自动检测设计。织物疵点检测系统的图像获取由硬件部分实现,硬件部分的组成主要有:照明环节、CCD摄像机、布匹传动机构和疵点检测处理分析系统等几部分。探索由图像采集卡以及工业计算机识别和处理织物疵点图像,把识别的结果存档并生成各种信息统计报表,达到在生产线的实时监控。最终从疵点检测的具体过程分析入手,提出了机器视觉系统来实现织物疵点自动化检测的方案。     

基于YOLOv5的烤烟烟叶散把程度检测算法研究

为解决烤烟烟叶散把过程中因散把不均匀导致烟叶重叠等问题,提出了一种基于YOLOv5目标检测算法的烟叶散把程度检测方法。通过对原始图像进行预处理构建烟叶散把图像数据集,在原始YOLOv5模型主干网络加入Ghost模块生成冗余特征图,在瓶颈层加入ACIN模块加强网络特征融合,同时利用烟叶松散度来评价散把程度。分别利用改进前后YOLOv5模型进行测试,结果表明:与原始模型相比,改进后YOLOv5模型在未明显增加计算量的前提下,网络参数量减少12.8%,模型大小减小12.4%,平均精确率提升0.2百分点;改进后模型与YOLOv4、Efficientdet-d0、Faster R-CNN等目标检测模型相比,平均精确率、检测速度均为最优且参数量较少。该技术可为提高烤烟烟叶分选速度和精度提供支持。