基于YOLOv5s的丁腈手套缺陷检测方法

为实现丁腈手套缺陷的自动检测,提出一种基于YOLOv5s网络的识别方法。首先根据COCO数据集格式构建自制数据集,然后利用自制数据集对网络进行训练,最后使用工业相机采集的图片对训练好的YOLOv5s网络进行测试。实验结果表明基于YOLOv5s网络的陷检测模型对手套缺陷检测准确率为95.43%,检测精度为97.26%,检测速度为111.35fps。该方法可以满足生产线上丁腈手套缺陷检测的准确性和实时性需求。     

基于改进YOLOv5的移动端螺栓缺失检测方法

大型结构件中螺栓缺失往往会产生重大的安全隐患,而目前通过深度学习进行目标检测的设备通常部署繁琐、困难,为了保证检测的高效率并且足够轻量化的性能,提出一种通过改进YOLOv5进行模型训练,并将模型轻量化移植到移动端的方法,以实现螺栓的快速识别与个数缺失统计与报警。首先利用LabelImg软件对现有的螺栓数据进行标注,标注完成后对该数据集进行训练,再将得到的模型文件转化并降低位宽,转化为TensorFlow Lite(TFLite)模型文件,进而在安卓端进行部署。结果表明,将模型部署在小米MI 9 SE手机上,进行单目标检测时准确率可以达到98%,多目标检测时准确率可以达到97%,推理时间在40 ms左右,且报警功能可以正常使用,为螺栓缺失的检测提供了一种新的轻量化方法。     

基于优化YOLOv5s的道路场景车辆检测算法研究

为了解决人工识别车辆耗时耗力的问题,开展了面向道路场景的智能车辆检测算法研究,旨在实现智能化的车辆检测。提出了一种基于深度学习的道路车辆检测模型,通过采用轻量化且易于部署和开发的YOLOv5s模型作为基础模型,同时引入CA、SE和CBAM三个经典的注意力模块来替换YOLOv5的主干网络中的C3模块,使网络模型能够更好地聚焦于车辆区域,提升了车辆检测的准确性。这使得模型在保持高效性和易用性的同时,能够更好地适应复杂道路场景下的车辆检测需求。实验结果显示,将CBAM注意力模块引入网络模型后,在UA-DETRAC数据集上进行车辆检测的平均精度均值可达92.3%,相比其他注意力模块,其表现更为出色。这一研究结果对于实现智能化的车辆检测具有重要意义,有望为道路交通监控、驾驶辅助系统等应用提供更可靠的解决方案。     

基于YOLOv5s的铝型材表观缺陷检测方法

目前,在铝制品的加工生产过程中,缺陷检测环节仍以人眼观测为主,这种传统方式存在检测精度差和检测效率低等缺陷,为此,提出基于YOLOv5s的铝型材表观缺陷检测方法。针对具有9种缺陷的铝型材图像,使用labelimg进行标注,构建了铝型材数据集。基于该数据集,以YOLOv5s、YOLOv5m、YOLOv5l在COCO数据集上训练好的权值作为初始权值,对该3种模型进一步迭代训练,并将最优权重进行测试。对比3种模型的实验结果,决定采用YOLOv5s作为铝型材表观缺陷检测的模型,其测试精确度P、召回率R、均值平均精度mAP分别达到了0.684、0.742、0.692。并基于该模型,采用PyQt5开发了铝型材表观缺陷检测系统,其检测速率可达98Fps左右,可以很好地满足实时性要求,从而为铝型材表观缺陷检测提供了有效的参考方案。     

基于改进YOLOv5的输电线路走廊滑坡灾害识别

随着我国大规模输电线路网络的发展建设,部分输电线路不可避免地需要穿越地质复杂、易发生滑坡区域,滑坡灾害会严重威胁输电线路的安全稳定运行,针对上述问题,提出一种改进YOLOv5(YOLOv5-BC)深度学习滑坡灾害识别方法,引入BiFPN结构替换PANet提高多层特征融合能力,引入CIoU替换GIoU损失函数,使最终预测框更接近真实框,提升预测精度。实验结果表明,算法在滑坡数据集上较YOLOv5、Faster-RCNN算法准确率均具有显著优势,可以满足实际应用需求。     

基于改进的YOLOv3的托盘检测方法研究

针对仓储环境下叉车机器人托盘识别的应用场景,以及提高托盘目标检测的准确性和鲁棒性,提出了一种基于YOLOv3算法改进后的物体识别方法.运用K-Means++聚类方法重新聚类出更适合托盘检测的Anchor Box,通过分析托盘成像在图像坐标系中横轴和纵轴的密度分布,继而调整了划分网格机制,改进损失函数.并在运用数据增强手段的托盘数据集上进行训练以及测试,与其他算法进行对比,结果显示基于改进的YOLOv3托盘检测方法在测试集上的准确率达到94.6％,识别速率达到47帧/s.     

基于YOLOv5与迁移学习的目标检测和机械臂抓取位姿估计

针对传统机器学习算法视觉识别准确率低、运行时间缓慢等问题,研究针对家庭场景中机器人做家务的场景,利用RGB图像信息为输入,完成对目标物体的抓取位姿估计。以目标检测模型YOLOv5s为基础,利用其轻便、速度快的优点,结合数据增强以及迁移学习搭建网络架构,搭建家庭场景数据集;将少量训练样本进行数据增强后,利用迁移学习将模型在目标数据集上训练,同时微调参数,将目标物体的定位信息通过坐标变换转换为机械臂的抓取位姿,控制机械臂最终以固定抓取姿态完成抓取任务;最后,通过搭建实验平台,操纵UR5机械臂进行实际抓取实验,验证了算法的有效性。提出的基于目标检测的方法速度快、实时性高、误/漏识别率小于2%,应用在机械臂抓取上可以高效地完成任务。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展,基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数,以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题,提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制,然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失,并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的,最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练,训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013,较传统的YOLOv5目标检测算法损失减少约13.33%,准确率达到82.28%,较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

基于改进YOLOv5的酒瓶缺陷检测方法研究

由于酒瓶产品缺陷多样以及产品缺陷较小,使用了YOLOv5作为基础框架来设计算法。对YOLOv5进行了深入研究,发现虽然空间池化金字塔（Spatial Pyramid Pooling,SPP）在多尺度检测中优化了计算量和减少了数据量。但是,在某些情况下,空间金字塔池化会出现信息丢失的问题,影响了检测精度。为此,提出一种将空间池化金字塔改进为空洞空间池化金字塔（Atrous Spatial Pyramid Pooling,ASPP）。ASPP可以对不同尺度的特征图进行并行池化,从而综合多尺度特征信息,获得更全面、更准确的特征表示。将SPP算法改进为ASPP算法后,在酒瓶缺陷数据集上进行了实验。实验结果证明改进后的YOLOv5算法在酒瓶缺陷检测精度上提升4%,mAP@0.5提升了2%,mAP@0.5:0.95提升了1.5%。     

基于改进YOLOv5s的工件识别检测算法

针对机器人在抓取目标工件的过程中由于光线强度变化、图像环境复杂和拍摄设备移动等造成的工件识别精度低的问题,文章提出一种改进YOLOv5s的工件识别检测算法。首先,通过数据增强扩充数据集并进行预处理;其次,使用改进的k-means聚类算法重新生成更有效的预设锚框,缩短收敛路径;然后,在特征融合网络中添加CBAM注意力机制,有效抑制背景信息干扰,提高特征提取速度;此外,将特征融合模块中原有的特征金字塔结构替换成加权双向特征金字塔Bi-FPN结构,实现高效的加权特征融合和双向跨尺度连接,提高网络对不同尺度特征的融合效率;最后,通过采用α-IoU作为边界框回归损失函数,提高模型的定位效果。结果表明,改进后的YOLOv5s算法对工件检测的mAP值提升了6.03%,检测速度提升了13.7 fps,验证了改进算法的有效性。     

基于改进YOLOv5的电子元器件实例分割算法（英文）

为解决电子元器件组装中不同类型电子元器件难以自动区分的问题,利用改进的YOLOv5网络对电子元器件进行了实例分割,实现了不同元器件的自动识别分类。首先,使用三通道直方图均衡化对图像进行预处理。其次,在不增加模型复杂度的前提下,使用SE-Net通道注意力模块增强网络的特征提取能力,压缩无用信息;利用GhostNet实现网络轻量化;采用BiFPN增强网络特征融合能力。实验得出,采用改进的YOLOv5方法对电子元器件实例分割,其mAP为96.7%,单图的检测时间平均为45.5 ms.试样结果表明,该实例分割方法优于同类方法,对提高电子元件的自动化检测水平具有实用意义。     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题,提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块,进而增强算法对零件的特征提取能力;将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法,进而提高零件检测精度。试验结果表明,相比原始YOLOv5算法,本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务,同时保证了实时性。     

基于YOLOv3的装配零件多目标实时检测

为实现装配零件图像的多目标检测任务,提出基于深度学习的目标检测算法,将目标检测模型YOLOv3应用于零件的识别检测。将基于迁移学习思想的预训练权重引入网络模型的训练过程,加速网络训练过程,损失函数快速收敛,加速模型建立过程。将训练模型应用于零件检测,实验结果表明,所提出的多目标检测方法识别10类零件的mAP为99.8%,识别周期小于1s,检测结果准确。研究结果对生产线的自动化分拣、零件的装配定位有参考价值。     

基于改进YOLOv5s的铝材表面缺陷检测方法

针对目前铝材表面缺陷检测算法在实际工程应用中检测精度低以及不够轻量化难以部署等问题,文章提出一种基于改进YOLOv5s的铝材表面缺陷检测方法。该算法以经典YOLOv5s模型为基础,将ShufflenNetV2-Block算法融合到主干网络backbone中,降低模型的计算复杂性;然后添加SE注意力机制,使注意力集中于缺陷相关区域,更好地区分类别之间的差异,提高分类性能和检测效率;最后优化损失函数,采用SIoU(S-intersection over union)替代CIoU,提升网络定位精度。结果表明：针孔类和斑点类缺陷检测精度比原版YOLOv5分别提升了8.3%和8.4%,mAP值提高了6.4%,提高了缺陷检测精度且降低了模型的大小和所占内存,更加便于移动端部署,有效改善了制造过程中漏检问题。     

基于YOLOv4及其变体的白车身焊点外观检测

白车身焊点的质量直接影响汽车的牢固度和安全性,而其检测目前以人工目测为主,其检测效率和检测质量都不足以满足汽车产业发展的要求.基于YOLOv4网络模型对白车身焊点的外观分类做深度学习并成功实现了焊点的识别与分类.并针对焊点图像的特点对YOLOv4模型进行了变体开发,提出一种针对小目标的、快速运算的YOLOv4变体.首先...     

基于YOLOv3的智慧现场安监技术研究

在智能电网发展的大背景下,目前的电网生产安监管理模式已经不适应智能电网的要求,安监管理模式和方式的创新迫在眉睫。鉴于此,首先收集电网违规场景图片构建VOC数据集,利用LabelImg软件对数据集进行标注;然后采用YOLOv3深度学习目标识别算法实现对数据集的训练、调试,并分析模型的性能指标;最后输入额外的目标样本测试成功,为后续更多新技术应用的研究开发提供了新的思路和方向。     

基于改进YOLOv4的柱形锂电池缺陷检测研究

为了实现柱形锂电池缺陷检测的实时性与高精度,提出一种基于改进YOLOv4的柱形锂电池表面缺陷检测算法。将主干网络由CSPDarkNet53替换为轻量化网络Mobile Netv1,使用K-means++算法对锂电池缺陷数据集先验框进行重新聚类,同时构建新的注意力机制ECSA模块关注重要信息。改进后的模型检测精度与检测速度均得到提升。     

基于YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法

针对岸边集装箱桥式起重机钢丝绳传统监测方式存在着故障识别率低的问题,提出了一种基于改进YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法。首先,在骨干特征提取网络部分引入注意力机制CBAM,对重要的特征通道进行强化;其次,选用损失函数EIOU对训练模型进行优化;最后替换原YOLOv5算法使用的加权NMS算法,提高边框的位置精度。实验结果表明,改进后的YOLOv5目标检测网络在钢丝绳损伤数据集上对断丝、磨损、畸变3种损伤类型的平均精度均值达90.3%,比原始的YOLOv5算法提高了3%,检测效果更优,实现了对钢丝绳更快速的识别,为今后开发岸边集装箱桥式起重机钢丝绳在线监测系统提供了一定的理论基础。     

改进YOLOv5的镜头固定槽表面缺陷检测

针对手机镜头固定槽表面缺陷过小导致自动化质检平台难以检测的问题,提出改进YOLOv5的镜头固定槽表面缺陷检测算法实现。在图片预处理阶段使用有效的数据增强策略来平衡不同类别样本的分布;在FPN中添加融合因子控制特征图融合时深层传递到浅层的信息,得到含有更多小目标信息的多尺度特征图;使用K-means算法得到更适合本数据集的先验框数量和大小。通过采集的镜头固定槽表面缺陷数据集评估本算法的性能,并和基线算法YOLOv5进行对比分析。实验结果表明,改进的算法对小目标缺陷拥有更好的检测效果,并且对各类缺陷均能实现准确分类定位,平均精度均值（mAP）达到92.70%,满足智能制造自动化生产的需求。     

基于深度学习的道路表面裂缝检测研究

针对目前道路表面裂缝缺陷检测方法普遍存在识别率低、实时性差以及多尺度特征下检测效果不好等问题,提出一种改进的YOLOv5s算法模型。该算法引入Sim AM三维带权注意力机制且不引入额外参数,在模型中融入加权双向特征金字塔进行多尺度特征融合;同时改进预测框损失函数,使得损失函数收敛更快。经过对比实验,改进后模型的裂缝检测均值平均精度提高了2.2%,准确率为90.5%,表明了模型的有效性。