基于yolov5在线可视铁谱图像磨粒多目标识别方法研究

鉴于在线图像可视铁谱获取的磨粒谱片图像分辨率低,磨粒种类复杂多变,磨粒图像背景复杂等问题,使得磨粒在线智能识别面临挑战。为了实现在线可视铁谱图像磨粒多目标实时检测与识别,提出基于yolov5在线可视铁谱图像磨粒多目标识别方法。以正常磨损磨粒、疲劳磨损磨粒、滑动磨损磨粒、球形磨粒、氧化磨损磨粒、切削磨损磨粒6种磨粒作为研究对象,基于yolov5深度神经网络模型对复杂油液环境下的异常磨损磨粒进行分割与识别。结果表明：基于yolov5算法的磨粒智能识别模型能够实现复杂环境下多目标、多类型磨粒在线实时识别,其识别速度和准确率基本满足油液在线监测需求,为装备在线图像可视铁谱技术工业化应用提供了技术支撑。     

基于深度学习模型融合的铸件缺陷自动检测

针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。 首先对 Faster RCNN 网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于 ROI Align 对网络中的 ROI 池化层进行改进,将 IOU 分数引入 NMS 算法判定过程;再将改进后的网络与 Cascade RCNN 以及 YOLOv3 进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。 实验结果表明,将感兴趣区域池化 改进后,在 Faster RCNN 模型中的缺陷召回率提升了 1. 73% ,在本文网络模型中的缺陷召回率提升了 4. 08% ;采用模型融合的 方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到 95. 71% ,与单个模型相比,在保证铸件缺陷检测准确率的同 时,提高了缺陷检测的召回率,满足了工业应用的要求。     

改进多尺度特征融合的工业现场目标检测算法

为了提高工业现场等复杂场景下的小目标检测的准确率,降低工业现场的安全事故发生率,基于 YOLOv3 提出了一种改进多尺度特征融合方法。该方法增加了Inception _ shortcut 模块,优化网络的输出宽度,使用工业现场的监控视频作为数据集以及利用 k-means 算法对检测目标重新聚类,引入了 PANet 多尺度特征融合结构,精简了 YOLOv3 的网络检测输出层。在创建工业现场安全帽、安全绳数据集 FHPD 、FSRPD 以及 PASCAL VOC2007 数据集上的实验结果表明,改进算法的 mAP 比原始 YOLOv3 提高了许多。改进的多尺度特征网络融合增加了参数,但检测速度仍满足算法的实时性要求。     

基于信息融合的城市自主车辆实时目标识别

针对单一传感器感知维度不足、实时性差的问题,提出一种激光雷达与相机融合的城市自主车辆实时目标识别方法。建立两传感器间的坐标变换模型,实现两传感器的像素级匹配。改进yolov3-tiny算法,提高目标检测准确率。对激光雷达点进行体素网格滤波,根据点云坡度进行地面分割。建立聚类半径与距离作用模型,对非地面点云进行聚类。引入图像中包络的思想,获取目标三维边界框以及位姿信息;将视觉目标特征与激光雷达目标特征融合。试验结果表明,改进的yolov3-tiny算法对于城市密集目标具有更高的识别率,雷达算法能够完整的完成三维目标检测以及位姿估计,融合识别系统在准确率、实时性方面达到实际行驶要求。     

基于yolov3的车牌定位识别系统

为解决目前市场上车牌识别设备的高时延以及对高性能处理器高依赖性的问题,提出了一种基于yolov3的车牌定位识别方法,实现对车辆的车牌进行自动定位与识别。该方法通过收集5000张车辆图像数据,打包为VOC数据集,使用LabelImg工具对图像进行标注,并构建13个卷积层的yolo模型,在loss曲线趋于稳定之后,完成模型的训练,最终使用已训练的模型对车辆图像数据进行车牌识别。实验表明:在1000个测试数据中,该方法识别率达97.5%,平均耗时18.19 ms,能够快速精准的对车辆进行车牌识别。     

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。     

Tiny YOLOV3目标检测改进

针对Tiny YOLOV3目标检测算法在实时检测中对行人等小目标漏检率高的问题,对该算法的特征提取网络、预测网络、损失函数等进行研究改进。首先,在特征提取网络中增加2步长的卷积层,代替原网络中的最大池化层进行下采样;接着,使用深度可分离卷积构造反残差块替换传统卷积,降低模型尺寸和参数量,增加高维特征提取;然后,在原网络两尺度预测的基础上增加一尺度,形成三尺度预测;最后,对损失函数中的边界框位置误差项进行优化。实验结果表明,改进后的Tiny YOLOV3算法的目标检测准确率比原算法提高了9.8%,满足实时性要求,具有一定鲁棒性。本文方法能够更好地提取目标特征,多尺度预测和边界框位置误差的改进能更准确地对目标进行检测。     

基于极限学习机的铁谱磨粒模式识别

将极限学习机(ELM)应用于铁谱磨粒模式识别中,从磨粒彩色图像中提取出磨粒的形状尺寸、颜色、纹理3个方面的特征参数作为ELM的输入,以正常滑动磨粒、严重滑动磨粒、球状磨粒、切削磨粒、氧化物磨粒这5种类型磨粒作为ELM的输出,建立基于ELM的磨粒分类器;将3个方面的17个特征参数进行排列组合建立不同的模型,通过对比实验及分析,确定出最优的模型和磨粒分类器;通过实验比较基于ELM与基于BP神经网络的磨粒分类器性能。结果表明:基于ELM神经网络的磨粒分类器的识别速度平均为150 ms,准确率最高为96%,基于BP神经网络的磨粒分类器的识别速度平均为250 ms,准确率最高为90%。因此,基于ELM的磨粒分类器识别速度更快、准确率更高。     

基于显微图像识别的在线滑油中磨粒分析方法

针对现有显微图像油液磨粒监测技术的芯片结构的不足,改进微通道与外通道结合处结构,减小了微通道被阻塞的可能性,提高了检验精度。为了提高机器润滑油中金属磨粒在线图像识别的准确性,分析图像运动模糊退化模型,并以自相关函数估算模糊尺度,采用基于维纳滤波的图像恢复算法获得清晰的磨粒图像;应用图像差值与最大类间方差法（Otsu）对图像进行分割并对分割后的磨粒图像计数获得磨粒等效直径和分布。研究结果表明,该图像分割方法提高了油液磨粒的在线实时检测的准确率,其精度达95%以上。     

基于显微图像识别的在线润滑油中磨粒分析方法

针对现有显微图像油液磨粒监测技术的芯片结构的不足,改进微通道与外通道结合处结构,减小了微通道被阻塞的可能性,提高了检验精度。为了提高机器润滑油中金属磨粒在线图像识别的准确性,分析图像运动模糊退化模型,并以自相关函数估算模糊尺度,采用基于维纳滤波的图像恢复算法获得清晰的磨粒图像;应用图像差值与最大类间方差法(Otsu)对图像进行分割并对分割后的磨粒图像计数获得磨粒等效直径和分布。研究结果表明,该图像分割方法提高了油液磨粒的在线实时检测的准确率,其精度达95%以上。     

基于卷积神经网络的铁谱磨粒智能识别研究

针对传统的计算机磨粒识别方法对相似度高的严重滑动磨粒和疲劳磨粒存在识别过程复杂、识别准确率低等问题,提出利用卷积神经网络(Convolution Neural Network,CNN)自动提取铁谱磨粒图像的特征,再将提取到的特征传入全局平均池化层和新的全连接层进行训练分类的铁谱磨粒智能识别方法。试验显示,基于卷积神经网络模型Inception-v3+1FCL和迁移学习方法可以有效地对严重滑动磨粒和疲劳磨粒进行分类识别,准确率高达89. 35%。     

基于改进YOLOv5的无人机小目标检测方法研究

针对无人机航拍图像检测存在小目标检测准确率低以及检测模型计算量过大的问题，提出了一种基于改进YOLOv5的无人机小目标检测方法。首先，针对小目标存在漏检的问题，在YOLOv5的特征提取网络中引入了高效通道注意力机制（ECA）模块，提高对小目标的特征提取能力，进而提高小目标检测精度；其次，针对模型计算量大的问题，将模型中的CBL模块进行改进，把其中的普通卷积替换为Ghost卷积，减少模型参数和计算量，以便于在小型嵌入式设备部署；最后为了进一步优化和改进YOLOv5算法，采用加权损失函数，以充分学习图像特征。在DOTA数据集上进行测试，实验结果表明，改进的模型提升了小目标检测效果，其mAp为73.1%，比原算法提高了1.9%，速度达到了92 ms，可以准确地完成无人机航拍小目标检测任务，同时也满足实时性要求。     

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。     

基于改进YOLOv2的快速安全帽佩戴情况检测

施工现场光照多变、背景复杂、施工人员形态多样,给安全帽佩戴情况检测带来很大的困难。针对传统检测方法准确率低、鲁棒性差的问题,本文提出了一种基于深度学习的安全帽佩戴情况检测方法。该方法以YOLOv2目标检测方法为基础,对其网络结构进行了改进。首先借鉴了密集连接网络思想,在原网络中加入了密集块,实现了多层特征的融合以及浅层低语义信息与深层高语义信息的兼顾,提高了网络对于小目标检测的敏感性;然后,利用MobileNet中的轻量化网络结构对网络进行压缩,使模型的大小缩减为原来的十分之一,增加了模型的可用性。采用自制的HelmetWear数据集对改进后的网络模型进行训练和测试,并将该模型与原YOLOv2和最新的YOLOv3进行了对比,结果显示:该模型的检测准确率为87.42%,稍逊色于YOLOv3,但是其检测速度提升显著,比YOLOv2和YOLOv3分别提高了37%和215%,可达148frame/s。实验表明,改进后的网络模型能在保证检测准确率的同时,有效减小参数量,显著提升检测速度。     

基于AlexNet-SVM模型微型钢球表面缺陷快速识别方法

微型钢球由于高反射、球体需要全覆盖的特点,其表面缺陷的质量控制尤为困难。针对人工检测方法效率低且准确度不足的问题,文章提出一种改进的AlexNet的卷积神经网络和SVM模型的钢球表面缺陷快速识别方法。该模型删减了后3个卷积层,保留全连接层FC7提取的特征,采用SVM代替原始Softmax分类器以防止过拟合,提高模型泛化能力。此外,研究了基于K-CV的改进网络搜索算法确定分类器最佳参数。实验采用混淆矩阵对提出模型的识别结果进行性能评估,结果表明,该方法平均准确率达到99.43%,运算时间为17.2 ms。对比原模型及其他网络模型,具有较高的准确度和推理速度,能够满足工业现场检测的需求。     

基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测

目前，地铁车辆的检修主要依赖于人工检测，不仅效率低，而且可能因漏检等原因造成严重的行车安全事故。因此提出了一种基于改进YOLOv5算法的地铁车辆转向架螺栓缺失检测算法。首先，在YOLOv5算法的骨干网络和特征提取网络中添加Ghost模块，轻量化网络结构，提升检测效率和速度；其次，采用改进的YOLOv5算法对螺栓进行定位训练，并插入CBAM注意力模块，增加网络对目标的关注度，从而获得良好的螺栓定位检测模型；最后通过模板匹配的方法，对比网络检测结果与正常转向架螺栓数量及分布，获得缺失螺栓数目与位置信息。实验结果显示，改进后的YOLOv5网络模型检测精度提升3.9%，模型参数量减少了近1/2，检测速度提升9 fps，螺栓缺失检测准确率为86.2%。因此，文中提出的改进YOLOv5算法的地铁车辆转向架螺栓检测模型满足螺栓缺失定位的检测任务要求，取得了良好的应用效果。     

改进Faster R-CNN对铝型材表面瑕疵的检测

针对铝型材表面瑕疵检测问题,为避免传统检测方法准确率低和检测速度慢等缺点,采用基于深度学习的检测方法,通过对Faster R-CNN模型的改进,提高了检测的准确率和速度。在特征提取网络中,将VGG16和Resnet50进行模型融合,从而提取到更多的特征信息。针对样本中瑕疵大小分布极不均匀的问题,通过对RPN网络中的锚框进行改进,利用K-Means聚类生成的5个聚类中心代替原始网络中的9个锚点框,使网络更适用于铝型材表面的瑕疵检测。实验表明:改进后的Faster R-CNN算法的检测平均准确度可达83.44%,比改进前算法高6.5%。说明改进后的算法在铝型材表面瑕疵的检测上更具优势,并为之后金属表面瑕疵检测提供了参考。     

基于多尺度特征的YOLOv5铸件自动检测算法研究

针对铸件检测存在精度不够高和易漏检、误检等问题,提出一种基于多尺度特征的YOLOv5铸件自动检测算法。该算法使用双目相机采集铸件图像,并构建铸件图像数据集;为提取更全面的铸件特征,采用多尺度特征融合模块,增加一个检测层检测不同尺度的铸件;为获取更多细节特征,在特征金字塔网络中嵌入卷积注意力机制（CBAM）,以提高铸件图像关键特征的提取能力;同时用Hardswish替换卷积层中的SiLU激活函数来减少模型参数量。实验结果表明,该算法检测m AP值达到了96.5%,较原YOLOv5算法提升了2.6%,能实现铸件自动检测对检测精度及实时性的要求。     

基于显微图像的在线润滑油中磨粒识别

针对现有润滑油磨粒监测技术的不足,提出一种将微流控技术与铁谱技术相结合的磨粒在线检测方法。该系统用微流控芯片取代传统铁谱片并显微成像;在图像的模糊恢复上,采用基于运动模糊图像微分与自相关的方法进行模糊尺度计算,应用维纳滤波方法对模糊图像进行模糊恢复,得到纹理及边界更加清晰的图像;在磨粒特征的提取上,运用颜色特征用来识别磨粒的成分,包括铁质磨粒、有色金属磨粒和氧化物磨粒,运用尺度和形状等特征识别磨粒产生的磨损机制;在颗粒的识别上,应用灰色关联分析方法实现磨粒的自动识别。该磨粒在线监测系统不仅能对磨粒进行计数,也可以对磨粒类型进行判断,其准确率达到90%。     

基于Mask R-CNN的铁谱磨粒智能分割与识别

针对铁谱图像因背景复杂、尺寸分布广、颗粒重叠等导致难以精确分割与识别的问题,以相似度高的疲劳剥块、严重滑动磨粒、层状磨粒共3种异常磨粒作为研究对象,提出基于深度神经网络模型Mask R-CNN的对多目标铁谱磨粒进行智能分割与识别的方法,并对特征提取层分别选用深度不同的残差网络ResNet50和ResNet101进行对比试验。实验结果表明,基于迁移学习方法的Mask R-CNN+ResNet101模型能够在复杂背景下对多目标、多类型、多尺寸的相似磨粒进行有效分割与识别,测试集的平均精度高达76.2%,模型具有较好的泛化能力。