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SSD算法的轻量级铸件分拣检测

针对当前铸件混流分拣线中，高相似度铸件检测准确率低、速度慢的问题，提出一种基于SSD的轻量级多铸件高效检测方法。首先，用融合轻量级ECA注意力机制的MobileNetv2替换SSD模型的主干网络，解决因轻量化设计而损失精度的问题；其次，采用反向残差层替换原SSD的卷积预测层，进一步轻量化算法，解决SSD算法因网络结构复杂，参数量和浮点计算量较大的问题。实验结果表明，所提出的算法在多铸件检测上，mAP达到97.10%,检测速度为46.84帧/s。相比SSD算法，GFLOPs降低了41倍，参数量减少至4.34 MB,在保证精度与速度的同时，降低了算法对硬件设备的需求。     

基于深度学习的高压输电线路防振锤检测

为识别距离较近的防振锤,提出基于改进YOLOv4的防振锤自动检测方法。YOLOv4方法采用具有固定阈值的非极大值抑制方法选取检测框,较低的阈值会导致丢失高度重叠的目标,而较高的阈值则会导致更多的误检。为此,提出动态非极大值抑制方法,并将其应用于YOLOv4目标检测。该方法根据目标周围检测框的统计特性确定出动态阈值,提高边界框选择的准确性,降低高度重叠防振锤检测中的错检和漏检概率。为进一步提高防振锤检测精度,采用分段线性函数作为激活函数,克服YOLOv4算法中Leaky ReLU函数对负值处理不理想且函数曲线不平滑的问题,增强了模型的非线性表达能力。结果表明：基于改进YOLOv4的防振锤目标检测方法能够很好地检测出重叠的防振锤,且检测精度更高。     

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。     

基于深度学习的无锚框目标检测算法综述

近年来,基于深度学习的无锚框目标检测算法备受关注。为了深入理解无锚框检测算法,对比分析了基于深度学习的无锚框检测算法的原理机制、网络结构、核心特性以及优缺点,归纳总结了无锚框检测算法的核心技术,并在同一数据集上通过性能实验研究上述算法的性能,总结提出基于深度学习的目标检测算法未来的研究方向。     

基于轻量级卷积神经网络的人脸检测方法研究

针对现阶段卷积神经网络参数量较大,检测速度较慢,无法嵌入至移动端电子设备,且在复杂环境下检测精度较低的问题,设计了两层前后分离轻量级的卷积神经网络的人脸检测方法。第一层网络采用全卷积神经网络,用于快速提取人脸特征,并生成大量的人脸边界候选框。第二层网络采用深层全连接卷积神经网络,将第一层网络推断的人脸候选区域进行筛选,并输出人脸大小、坐标和置信度。实验表明,本文设计的人脸检测方法在人脸基准数据集FDDB上具备较高的检测精度和检测速度,轻量级的网络设计使得算法移植到前端电子设备成为了可能。     

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。     

基于视觉的工业机器人装配演示示教研究

针对工业机器人编程效率低下、智能化程度不高和人机交互性能弱等问题，提出一种基于视觉的工业机器人装配演示示教系统，该系统包括目标检测与中心点定位模块、装配动作分类识别模块和机器人动作执行模块。在目标检测与中心点定位模块中,提出一种目标物体中心点定位和机器人抓取方法，使用实例分割算法识别物体类别，通过掩码均值化处理和坐标转换计算物体3D姿态信息；在装配动作分类识别模块中，建立基于深度学习网络的动作分类识别模型，该模型的输入为装配动作视频帧，输出为动作分类标签；最后，机器人动作执行模块根据物体类别、物体3D姿态和动作分类标签等信息规划机器人装配动作，控制机器人执行装配任务。以轴孔装配为例，验证了上述方法的有效性，实现了基于视觉演示的机器人装配模仿编程，对机器人演示示教研究具有一定的参考价值。     

基于TRIZ理论的螺丝刀创新设计

针对自动化拆卸设备中需要提前识别螺钉类型、更换匹配不同类型螺钉螺丝刀等原因造成的拆卸效率低、设备复杂等问题,设计一种自动化拆卸新型螺丝刀。利用TRIZ理论确定传统螺丝刀不能同时拆卸十字槽和一字槽螺钉这一物理矛盾。通过分析十字螺丝刀和一字螺丝刀结构特征的异同,采用时间分离原理中的动态化原理设计新型螺丝刀的初始方案。为克服该设计方案的物-场模型中缺少场的缺陷,通过TRIZ理论的一般解法对结构进行优化,完成新型螺丝刀的设计。结果表明：该螺丝刀具有结构简单、可满足不同拆卸场景的需求和节省拆卸时间等优点,提升了自动化拆卸效率,有助于完善自动化拆卸设备的功能。     

一种基于物体特征提取的棒材快速计数方法

棒材计数的自动化水平是衡量企业智能化、信息化程度的一个重要方面。根据堆叠棒材图像中棒材像素的分布特征,提出一种基于物体特征提取的棒材快速计算方法,用以解决生产、生活中堆叠棒材快速计数问题。利用连通域标记算法对棒材二值图像中的物体像素进行标记处理并统计物体特征值,根据物体特征值进行堆叠棒材的自动计算。整个处理过程仅需要扫描图像一遍。实验结果表明:所提方法能够快速、准确实现堆叠棒材的自动计数。     

基于有限元的140 kN摩擦焊机主轴箱响应面优化分析

以140 kN连续驱动摩擦焊机主轴箱为研究对象,应用有限元分析软件对主轴箱进行了静、动态相关特性的分析。为提高主轴箱综合力学性能,并实现主轴箱箱体材料的合理利用,以箱体壁厚等7个结构参数为设计变量进行了中心复合实验设计。根据得到的数据结果,基于Kriging插值法建立了主轴箱的响应面模型,并对各设计变量进行了灵敏度分析。利用多目标遗传算法完成了主轴箱的优化设计,与原结构方案相比主轴箱箱体减重16.6%,实现了焊机轻量化设计。经过对主轴箱响应面模型拟合精度的校验,验证了CCD实验法与Kriging插值法相结合可高效精准地完成主轴箱响应面模型的建立。因此这一优化方法同样适用于其他类型的机床零部件的设计。     

基于BP神经网络的注射器针头缺陷检测方法

为了实现倒装和弯钩次品针头的自动检测,提出了一种基于BP神经网络的注射器针头合格性检测方法。该方法首先对针头图像进行去噪、目标分割和针头轮廓提取等预处理,其次采用边界区域不变矩法和针头边缘曲率法提取针头特征,然后用合格针头、弯钩针头和倒装针头样本的特征对设计好的BP神经网络进行训练,最后利用训练好的BP神经网络实现注射器针头的合格性检测。通过大量真实针头的合格性检测实验,验证了本研究所提出方法的有效性,可用于实际生产中。     

基于边缘夹角附加损失函数的熔池形貌检测方法

针对弧焊增材制造过程中传统的熔池检测方法依赖经验参数、准确率低、识别时间较长的问题,提出了一种基于边缘夹角附加损失函数的熔池形貌检测方法,实现对熔池快速而精准的检测和识别. 首先,通过特征金字塔网络融合多种特征在多个尺度上表征熔池,摆脱对经验参数的依赖;其次,使用PointRend神经网络模块,基于细粒度特征及粗预测掩码对采样点优化,减少熔池目标检测及识别所需时间;再次,研究了边缘夹角附加损失函数,在角度空间上最大化分类间隔,使网络提取到的特征具有更强的可分性,进而改善模型识别的精度;最后,利用实际熔池监测数据进行试验测试. 结果表明,该方法识别精度高,精度达97.85%,当存在熔滴覆盖干扰时,也可以实现精确检测与识别;对比熔池的检测宽度和实测宽度,绝对误差在0.36 mm以内,试验结果验证了该方法的有效性和可靠性.     

级联结构与Faster R-CNN相结合的焊缝缺陷检测

针对目前风电塔筒焊缝缺陷人工检测或自动检测方法中存在的安全性差、效率低和准确率低等问题,提出一种改进Faster R-CNN焊缝缺陷检测方法。首先,制作焊缝缺陷样本数据集,并对有限的数据集通过数据增强技术进行样本扩充,改进RPN网络,利用K-means聚类方法生成更加接近目标区域的anchor box;同时结合ResNet深度残差网络,获取更小的焊缝缺陷细节特征,最后为了能获得精确的缺陷位置,采用一种基于IOU(intersection over union)值的三层级联结构。实验结果表明,改进后的Faster R-CNN模型对5种焊缝样本的检测mAP值为89.6%,对工厂的实际操作有较高的应用价值。     

基于深度SVDD-CVAE的轴承自适应阈值故障检测

通过状态监测进行轴承故障报警,能有效避免设备灾难性事故的发生。基于数据时序特征重构的故障检测法由于仅采用正常数据进行训练, 能有效避免故障数据不足而导致的模型检测精度下降。然而,此类方法的故障阈值确定依赖于大量的历史数据,且对检测精度有着极大的影响。为此,提出基于深度SVDD-CVAE的轴承自适应阈值故障检测方法。针对时序信号特征增强提取构建ConvLSTM作为基础单元的CVAE特征压缩提取框架,有效提取轴承故障微弱特征;结合SVDD自适应学习特征空间超球面,实现故障检测阈值的自适应确定;最后,通过全局误差损失反向传播对深度SVDD-CVAE框架进行迭代优化。实验结果表明：所提出的方法能有效提取轴承微弱故障特征、自适应确定阈值,并在IMS轴承数据集上取得97.7%的检测准确率。     

基于本体的箱体孔同轴度测量认证方案的自动生成

针对箱体孔同轴度测量认证方案过度依赖人工经验确定,造成认证过程不一致,测量结果可对比性差的问题,提出一种基于本体的箱体孔同轴度测量认证方案自动生成方法。构建测量认证工程语义模型,将它转化为计算机可读可解释的元本体模型;建立测量认证方案生成规则库,根据几何要素类型、公差项目、公差原则推理生成测量认证标准范式、操作参数、测量参数;最后,通过减速器上尺寸信息和同轴度几何规范,展示箱体孔同轴度测量认证方案自动生成过程,并验证了其有效性。结果表明：所提方法可以不依赖人工决策,简单高效地实现测量认证方案的自动生成。