基于轻量化网络与增强多尺度特征融合的绝缘子缺陷检测

随着无人机搭载目标检测算法在输电杆塔绝缘子巡检领域的发展,针对绝缘子缺陷检测速度较低,网络复杂度高且缺陷小目标难以准确检测的问题,提出一种基于轻量化网络与增强多尺度特征融合的YOLOv5-3S-4PH模型进行绝缘子缺陷实时检测。首先将重构的ShuffleNetV2-Stem-SPP(3S)网络作为YOLOv5的主干网络,显著减小了网络的参数量和计算量;其次引入针对小目标的增强多尺度特征融合网络以及4个预测头,来增强网络对绝缘子缺陷的感知能力,并结合Mosaic-9数据增强、CIoU损失函数进一步补偿轻量化导致的检测精度损失;最后将其应用到自制绝缘子数据集进行验证。实验结果表明,该文所提出的模型相对于未改进的YOLOv5,全类平均精度提高了3%,检测速度提高了81.8%,参数量、计算量分别压缩了82.4%、67%。因此,所提出的模型更适合部署在无人机平台上进行绝缘子缺陷的实时监测。     

SGCNet:一种轻量化的新能源汽车电池集流盘缺陷检测模型

集流盘作为新能源汽车电池的重要组成部件,其质量好坏关系到电池的性能,对车内人员的生命安全有着重要影响。实际工业应用中,在有限的计算资源下对电池集流盘缺陷进行实时检测是一项具有挑战性的任务。为了减小模型大小和计算量,降低应用成本,本文提出一种轻量化的新能源汽车电池集流盘缺陷检测模型(SGCNet)。首先,采用ShuffleNet V2作为主干特征提取网络,采用分组卷积和通道重排技术,在提取有效特征的同时降低计算复杂度,降低参数量。其次,设计了轻量化的特征融合网络GC-FPN,采用轻量级GhostNet和CARAFE上采样算子,在减少参数冗余和保证检测精度的情况下充分保留特征图的语义信息,从而降低了计算成本。实验结果表明,SGCNet模型检测准确率达到了90.6%,模型大小为3.2 M,GFLOPs仅为3.6,帧率达到了178.6 fps。与目前先进的轻量化网络模型相比,具有较高检测精度和较低的计算量。最后,在嵌入式平台NVIDIA Jetson Nano上部署SGCNet模型,进行实时检测,每张图片的检测时间为0.07 s,满足实际工业中电池集流盘缺陷检测任务对精度和实时性的要求。     

改进 YOLOv5s 的风力涡轮机表面缺陷检测

针对传统方式检测风力涡轮机表面缺陷时出现的精度不足、泛化性较差问题,提出了一种改进YOLOv5s的风力涡轮机表面缺陷检测模型。在网络结构方面,首先在主干特征提取网络引入改进的MobileNetv3网络,用于协调并平衡模型的轻量化和精度关系;其次采用BiFPN式的融合方式,增强神经网络的多尺度适应能力,提高融合速度和效率;最后为轻量化的自适应调节特征权重,运用ECAnet通道注意力机制,进一步提高神经网络的特征提取能力。在损失函数方面,将边框回归的损失函数修改为αIoU Loss,进一步提升了bbox回归精度。实验结果表明,基于YOLOv5s的改进算法可以在复杂环境下快速准确地识别风机表面的缺陷目标,能够满足实时目标检测的实际应用需求。     

基于YOLOv4优化的轻量级无人机障碍物检测方法

无人机平台内存小、计算资源有限。针对经典检测方法的网络结构复杂、检测速度慢等问题,提出一种基于轻量化的实时检测方法。首先,将轻量化模型MobileNetv3代替CSPDarknet53作为主干网络并融合有效通道注意力机制从而减小模型内存占用。其次,引入残差结构融合模块RFM,增强网络的特征提取能力。为了进一步提高障碍物检测的泛化能力和算法的收敛速度,采用Control Distance-IOU损失函数替换CIOU损失函数进行网络训练。实验结果表明,在与原模型检测效果基本相同的情况下,改进后的模型内存占比减少了80%仅39.5M,FPS提高了168%达到49.21帧/s。     

基于通道剪枝的ACAM-YOLOv5s绝缘子缺陷检测

针对现有的绝缘子缺陷检测深度神经网络模型规模大、计算资源消耗高、检测精度低,难以部署在边缘端,本文基于通道剪枝和YOLOv5s方法提出具有非对称卷积和注意力机制的轻量级绝缘子缺陷检测模型ACAM-YOLOv5s。ACAM-YOLOv5s模型采用非对称卷积模块ACBlock替换YOLOv5s骨干网络残差结构中的标准卷积,并结合通道和空间混合的注意力CBAM进行特征融合,以增强骨干网络的表达能力、特征提取能力以及鲁棒性。引入对边界框大小和位置灵敏性高的PIoU作为定位回归损失,解决绝缘子纵横比高导致缺陷检测定位准确率低的问题。基于BN层通道剪枝方法对ACAM-YOLOv5s模型进一步稀疏化训练、剪枝和微调,得到轻量化缺陷检测模型。实验结果表明,剪枝后的ACAM-YOLOv5s模型和原始YOLOv5s相比,在检测精度、计算量和模型体积方面,具有相对优势,能够满足边缘设备部署的需求,在无人机航拍绝缘子缺陷检测领域具有潜在价值。     

基于轻量级YOLOv8n网络的PCB缺陷检测算法

针对PCB缺陷检测无法兼顾检测精度与模型体积的问题,提出一种基于轻量级YOLOv8n网络的PCB缺陷检测算法。首先,删除大目标检测层,新增小目标检测层并调整网络结构,使模型轻量化并提高检测精度。其次,将C2f模块结合GhostConv与DWConv设计出C2f-GhostD模块替换C2f模块,减少模型计算成本。然后,将PConv融入Detect模块中,设计出POne-Detect模块并应用于检测网络,精简网络结构。最后,在颈部网络添加SimAM注意力机制,提高信息捕获能力。实验结果表明,在PCB数据集中,该算法相较于YOLOv8n,参数量下降78.7%,模型体积减小73.7%,mAP0.5提升至98.6%,满足模型硬件部署需求。     

ECC-YOLO：一种改进的钢材表面缺陷检测方法

针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。     

注意力特征融合的番茄叶部早期病斑诊断算法

番茄产量受到病害、天气等因素的影响,其中番茄生长过程中叶片的病害问题是影响番茄产量的最关键因素。然而,在叶片病害检测领域,现有模型普遍存在泛化能力不足以及小病斑漏检率高等问题。提出一种改进的番茄病害早期检测算法,通过对YOLOv5s网络进行多方面的优化来改善这些问题,同时保持模型轻量化。首先,采用Mosaic 9数据增强技术,强化了模型对小病斑的检测能力,增加了图像背景的复杂度,提高了模型的泛化能力;其次,使用GSConv和Slim-Neck网络,在保持模型准确性的前提下轻量化模型,降低计算负担;同时,使用SimAM注意力机制更准确地捕捉叶片上的小病斑特征,从而降低漏检率;此外,为了进一步增强多尺度目标的检测能力,引入自适应空间特征融合,有效地整合不同尺度的特征,提升了多尺度目标,特别是小目标的检测准确性。实验结果表明：该模型在叶片病害早期检测方面表现出色,对叶霉、早疫、晚疫以及健康叶片四种番茄病害的早期平均识别准确率、召回率、F1分数及mAP分别达到了0.951%、0.918%、0.934%、0.948%。可见该方法对于小病斑具有较好的检测性能,改善了模型泛化能力不足及小病斑检测过程中的漏检问题,进一步提高了检测效果。     

基于轻量化网络的变电站缺陷图片检测算法

保证变电站运行安全和可靠,自动检测变电站设备缺陷是电网智能化的关键。提出基于轻量化网络的变电站缺陷图片检测算法。针对目前传统的深度网络深度较深,耗时较长,易发生梯度爆炸、消失的情况,以及变电站智能监控实时性要求高的问题,提出了一种基于轻量化网络的变电站缺陷图片检测算法。该算法通过深度网络的轻量化设计,不仅可降低计算时间复杂度和空间复杂度,并且能提升检测准确度。该算法利用轻量化的特征提取网络进行图片的多尺度特征提取,且能根据多尺度特征进行目标种类和位置的检测。以变电站现场故障图片作为实验数据,对比测试了SSD算法和所提算法在面对不同故障的检测准确率。实验结果表明,所提算法在变电站故障检测任务中比SSD算法更加准确,为变电站故障检测提供了有效的手段。     

基于改进生成对抗网络的无监督晶圆缺陷检测

为实现晶圆表面缺陷的无监督检测，提出了一种改进生成对抗网络的无监督晶圆表面缺陷检测模型，该模型通过目标图像与重构图像之间的差异来检测缺陷。该方法使用带有两层跳跃连接和记忆模块的编码器-解码器卷积神经网络来搭建生成器，跳跃连接用以捕获多尺度的输入图像特征，记忆模块对潜在特征实施约束，扩大真实缺陷样本与重构样本间的距离。该方法还通过改进判别器网络结构，使模型轻量化。实验结果表明，该模型能够准确分辨具有缺陷的晶圆样本，ROC曲线下的面积值达到0.934，与已有的无监督学习检测方法相比性能更优,同时判别器网络的参数量和计算量分别降低到1 M和60 M以下。