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。     

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Faster R-CNN的刨花板表面缺陷检测研究

为了克服刨花板表面缺陷人工目视检测的局限性,实现对多种缺陷准确、实时检测,提出一种基于Faster R-CNN的检测方法。运用从工厂生产现场获取的各种表面缺陷图,制作成一个包含3566张刨花板表面缺陷图像数据集,其中主要包括胶块、水印、砂痕、杂物、粗刨花5种缺陷类型。通过用该数据集对Faster R-CNN在ZF、VGG16和ResNet101不同特征提取网络下的不同锚点(Anchor)设置模型分别进行训练、验证和测试,并对比了不同参数对检测精度的影响。结果显示,该方法能有效检测刨花板表面缺陷,且模型在ResNet101作为特征提取网络时准确率最高。在对训练好的Faster R-CNN模型的鲁棒性进行评估和验证中,模型对122张新图像的5种缺陷类型进行检测,测试的5种缺陷类型识别率分别为92.31%、91.84%、90.57%、96.88%和95.24%,平均检测率为93.37%,测试结果表明该方法能为基于机器视觉刨花板表面缺陷检测系统提供良好支撑。     

基于Faster R-CNN算法的列车轴承表面缺陷检测研究

将深度学习Faster R-CNN应用于列车轴承图像的表面缺陷检测.建立人工数据库BSD,通过对图像增广弥补数据不足的缺陷;采用Faster R-CNN算法进行目标检测和识别,卷积神经网络采用ZF Net模型,对BSD数据集训练,得到检测结果;并与传统检测方法Canny算法的检测结果进行比较.试验结果表明:和传统Can...     

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YOLOv3算法的连铸坯表面缺陷检测

针对连铸坯表面缺陷检测中存在的检测速度慢,检测精度低等问题,提出了一种改进的YOLOv3算法模型。使用轻量级网络MobileNetv2替换为YOLOv3的Darknet-53特征提取网络,优化网络结构,减小参数;使用Mate-ACON激活函数替换Leaky-ReLU函数,自适应的选择激活神经元;最后引入CIoU损失函数代替IoU边界框回归损失,提高模型定位的准确性,加速模型收敛。在连铸坯表面缺陷识别任务中,改进后的算法检测精度指标mAP达到96.96%,检测速度达到97 fps,满足实时性要求;模型训练得到的权重大小仅29 M,占用内存更低,能够满足连铸坯表面检测任务。     

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。     

基于改进YOLO模型的工业铝片缺陷检测

针对目前铝片表面缺陷的目标检测存在很多问题,包括现场大规模算法和计算设备的不适用性,以及检测速度和精度之间的平衡等,提出了一种基于注意力机制的新颖轻量级检测方法。在YOLOv4框架的基础上提出GBANet主干网络,其基于一个新的卷积Ghost模块构建并将改进的注意力模块嵌入在堆叠的Ghost块中。对颈部网络进行了特征融合的重新设计和轻量化,增加感受野,通过SPPF-PANet模块简化网络并通过改进anchor box和损失函数等措施增强模型对缺陷对象精确性。实验表明,所提方法较原YOLOv4提高1.06%的mAP,检测速度达到了36.6 fps,模型体积减少了82.72%,并能有效识别铝型材表面不同种类的缺陷。所提方法能够满足铝型材工厂生产现场缺陷检测要求。     

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。     

热轧带钢表面缺陷自动判定系统及其应用

带钢表面缺陷形成机理复杂、发生频次高,对成品质量的影响大,是最重要、最难控制的质量指标之一。针对当前卷积神经网络模型存在系统消耗大、处理时间长、无有效特征输出,以及热轧带钢表面缺陷数据量庞大、伪缺陷众多,不能及时、准确地判断其表面缺陷的问题,基于卷积神经网络深度学习技术,开发了一种带钢表面缺陷自动判定系统。介绍了该系统中在线采集模块、多通道结合分析模块、典型特征提取模块、缺陷严重性细化分类模块、缺陷自动评审模块的功能,缺陷分类准确率约90%,可以实现热轧带钢表面缺陷的快速、准确分类及自动判定。     

基于ADAM主动衰减退火算法的钢材缺陷检测北大核心

在工业钢材缺陷检测任务中,通过引入残差结构对传统的VGG网络模型进行了改进。通过结合特征金字塔池结构,实现了多层次的图像信息表达。基于此神经网络结构,对神经网络优化方法进行了研究。采用Adam优化方法的基础上,提出了主动衰减退火算法,实验结果表明引入残差结构并结合特征金字塔池结构的网络模型更优,主动衰减退火算法与Adam等方法相比具有一定的优越性。在钢材缺陷测试集缺陷图像分类平均精度达到了97.3%的精度,对实际工业应用有一定的意义。     

基于多任务特征层共享的表面缺陷检测

在基于卷积神经网络的工业表面缺陷检测中,往往将缺陷检测任务视为单任务进行学习.针对单任务学习数据来源单一、样本量缺乏的问题,提出了一种基于多任务特征层共享的表面缺陷检测方法(Feature-shared Multi-task Network,FSMTNet).该方法首先对原图像数据分别进行高斯滤波和canny算子边缘提...     

YOLOv5框架下的飞机蒙皮铆接缺陷检测

飞机蒙皮制孔及铆接质量的视觉辅助检测是飞机装配过程的关键环节,为提高其智能检测效率和精度,提出改进YOLOv5模型的飞机蒙皮铆接装配缺陷的检测方法。研究蒙皮制孔、铆接质量等,执行多种特征缺陷检测。为减少数据增强过程中计算损耗,避免训练过程中过拟合现象,引入随机数据增强策略作数据增广,采用强化学习方法确定随机搜索策略的超参数,可提升深度学习的数据驱动性能;更改损失函数为α-CIoU函数,并使用非极大抑制软计算方法(soft-NMS)进行预测框的筛选,以避免漏检情况,提高多种缺陷检测判别的准确性;最后将YOLOv5改进前、后算法进行对比实验。实验结果表明,在检测速度上单张图片检测时间可达到1.78 s,检测平均精度均值提升了16.4%,达到94.6%,精确率提升18.8%,达到90.7%,满足飞机批量化检测的精度要求和实时检测需求。     

冷轧铜带表面缺陷智能识别方法

表面质量是冷轧铜带重要质量指标之一。为实现铜带表面缺陷的精准自动检测,首先对常见表面缺陷进行分类,并制作了铜带表面缺陷图像数据集(YSU＿CSC);然后,以卷积神经网络EfficientNet为核心,基于迁移学习策略,通过训练实验建立了冷轧铜带表面缺陷智能识别模型,同时与其他三种常用的卷积神经网络缺陷识别结果进行对比。结果表明：该模型的精度较高,准确率达到93.05%,单张缺陷图像平均识别时间为197 ms,综合性能较好,可以满足工程要求;最后,将该模型在测试集上的缺陷识别结果进行可视化,分析了该模型对部分图像识别错误的原因,给出了进一步优化的方向。