基于改进YOLOv4的航空发动机损伤检测方法

针对现有目标检测模型参数量大、检测速度慢,难以适应航空发动机孔探检测轻量化应用需求的问题,提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构,在YOLOv4的颈部结构(Neck)中,将普通卷积重构为逐通道卷积和逐点卷积的形式,有效减少了网络中的冗余参数;为进一步降低模型参数量,使用MobileNetv3作为特征提取网络。在减少参数量的同时,2种轻量化改进方法有效提高了模型的检测速度;在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明,改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比,改进YOLOv4算法以3.55%的mAP损失,使模型参数量降低了约2/3,检测速度提高了1....     

融合MobileNetv3与Transformer的钢板缺陷实时检测算法

钢板表面的缺陷检测是分析和判断钢板质量的基础和关键。针对钢板表面龟裂等小缺陷检测效率低、精度差的问题，提出一种融合Transformer的钢板表面缺陷实时检测算法。首先，融合协调注意力(CA)模块以及最大动态转移(DY)激活函数构建CA-Bneck模块，提高缺陷特征的表示能力；其次，将MobileNetV3、CA-Bneck以及Transformer编码模块相融合，构建一种新的主干特征提取网络MobileNetV3-CATr,用于减轻模型的复杂度；最后，提出一种BiFPN-Lite模块，使得模型复杂度不增加的条件下融合更多缺陷特征；并通过YOLO Head输出缺陷的信息。在热轧钢公开数据集NEU-DET上实验结果表明，所提算法在性能和速度之间取得了平衡，mAP值相较于YOLOv4提升了5.96%,速度达到了20.1FPS,能够有效地完成钢板表面缺陷的实时和高精度检测。     

基于轻量化YOLOv4的轮毂内部缺陷检测算法

为解决常规深度学习方法检测轮毂内部缺陷存在模型尺寸大、参数多和精度低等问题,提出一种轻量化YOLOv4的轮毂内部缺陷检测算法。该算法采用MobileNetV3替换YOLOv4的主干特征提取网络,并利用深度可分离卷积模块对YOLOv4的PANet(path aggregation network)模块中的传统卷积进行了替换。同时,在PANet特征加强网络中加入通道注意力机制(SE)模块,提高了轮毂内部缺陷目标的识别精度。测试结果表明,所提算法检测精度为90.23%,权值文件为45.2 MB,检测速率为68.38帧/s。相较于常规模型性能有所提升,更适用于轮毂内部缺陷的快速、准确检测。     

融合浅层特征和注意力机制的PCB缺陷检测方法

缺陷检测是印制电路板(PCB)生产过程中质量控制的重要环节。由于PCB表面缺陷尺寸微小,导线布局复杂多样,现有的检测算法难以充分利用微小缺陷的特征信息,其检测准确率难以满足生产需求。为解决上述问题,提出针对PCB微小缺陷检测的YOLOv5-TDD算法。该算法在YOLOv5基础上,首先在颈部网络中增加浅层特征融合分支,提升微小缺陷特征信息流通效率;其次引入SE-SiLU注意力机制模块,以对特征信息分配权重的方式,提高网络对浅层特征的微小缺陷信息关注度。实验结果表明,YOLOv5-TDD在PCB＿DATASET缺陷数据集测试中,其检测精度mAP为99.12%,相较于YOLOv5提高了3.54%,检测精度优于其他算法。     

改进YOLOv3的轮毂焊缝缺陷检测

为了实现轮毂焊缝缺陷的智能化检测,本文对深度学习目标检测算法(You Only Look Once version3,YOLOv3)进行改进,得到YOLOv3-MC算法用于轮毂焊缝缺陷的检测。首先,使用工业相机采集轮毂焊缝图像,然后标注图像制作数据集,并且通过数据增强方法扩充数据集。接着,为了提高算法检测精度,使用Mish激活函数替换YOLOv3主干网络中的激活函数。修改算法的损失函数,使用完备交并比(Complete Intersection over Union,CIoU)的计算方法提升算法检测的定位精度。最后使用训练集训练算法模型,再使用验证集和测试集图像数据进行检测试验,结果表明,YOLOv3-MC的最优模型在验证集上的平均准确率(Mean Average Precision,mAP)达到了98.94%,F1得分值为0.99,平均交并比(Average Intersection over Union,AvgIoU)为80.92%,检测速度为76.59帧/秒,模型大小234MB。该模型在测试集上的检测正确率达到了99.29%。相较于传统机器视觉检测方法,该方法提高了检测精度,满足轮毂生产企业的焊缝实时在线检测需求。     

基于EfficientNet-YOLOv3的多氧压表识别方法

为了提高氧压表的检测效率，同时完成多块氧压表的识别，利用改进后的YOLOv3目标检测算法对工业上的氧压表进行检测。首先将原YOLOv3特征提取网络调换为EfficientNet网络，提高算法的特征提取能力；其次通过制作的加强型数据集，实现仪表的特征增强；最后，利用K-means算法对数据集进行聚类，得到合适的Anchor box，提高仪表定位精度。实验结果表明，改进后的YOLOv3算法可同时完成3块氧压表的识别，且识别精度高，降低了氧压表的漏检率，并且在平均精度上达到了96.73mAP，相比于未改进的YOLOv3算法提高了7.5%,检测速度为54.2FPS，比其他目标检测算法具有更好的检测性能。     

基于卷积神经网络的热轧钢条表面实时缺陷检测

热轧钢条的表面质量对成品至关重要,因此必须要严格控制热轧钢条的表面出现的缺陷。 针对当前 YOLOv4 算法检测 精度不高、对小范围信息表现较差等问题,提出一种改进 YOLOv4 自动检测方法。 首先,将 YOLOv4 中特征提取网络 CSPDarknet53 换为轻量级深层神经网络 MobileNetv3 来提高检测速度,并且加强对检测目标特征提取以及减少梯度消失问题。 其次,采用 K-Means 聚类生成适合本实验的先验框,有效提高学习效率,加快收敛速度。 最后,对置信度损失进行重新定义,提 出一种能够适应多尺度的损失函数,来解决因正负样本不平衡而导致检测效果差的问题。 实验结果表明,该方法较原 YOLOv4 模型在热轧钢条的表面缺陷检测上的均值平均精度值提高约 7. 94% ,速度提升约 4. 52 f / s,在保证检测速度的基础上有效提高 了精确度。     

基于YOLO与DMPHN的汽车法兰表面缺陷检测

针对流水线动态检测汽车法兰表面缺陷效率较低的问题,提出一种基于改进YOLOv3算法和DMPHN算法的汽车法兰表面缺陷检测方法。在图像预处理阶段使用DMPHN算法,可以解决汽车法兰表面缺陷图片模糊、失真的问题。目标识别网络使用YOLOv3算法,将DarkNet53替换为轻量级模型MobileNetV3,并进行改进,用于检测去模糊后的图像。这一方法的平均精度均值为97.74%,比改进之前提高1.03个百分点,检测速度达到每秒6.8帧。与传统表面缺陷检测方法相比,这一方法通过优化网络结构,解决了特定情况下模糊图像的检测精度问题。     

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。     

一种改进YOLOv4-tiny的带钢表面缺陷实时检测方法

带钢表面缺陷检测是生产过程智能检测的重要任务。针对目前带钢表面缺陷检测算法效率低、实时性差的问题,本文提出了基于卷积神经网络的轻量级目标检测器。该方法以YOLOv4-tiny模型为框架,针对带钢表面缺陷检测任务的特殊性,结合了多尺度检测与空间注意力机制的优化策略,在保证检测效率的同时提高了轻量级目标检测器的精度。实验证明,所提出的改进的YOLOv4-tiny模型能够精确地检测带钢表面缺陷,平均均值精度mAP(mean Average precision)为73.29%,并且每秒帧数FPS (Frames per second)达到163,满足实际工业落地的实时性要求。     

基于改进 YOLOv4 的工业棒料识别算法

针对工业棒料存在遮挡干扰时难以快速有效识别的问题,提出了一种基于改进 YOLOv4 的棒料识别算法。首先对 YOLOv4 进行轻量化改进,将改进的 Mobilenetv3 作为 YOLOv4 的主干网络,以减少模型参数量,提高算法的检测速度。然后提出在 YOLOv4 原损失函数基础上串联 Repulsion 损失函数,此新增损失函数包含 2 部分: RepGT 损失和 RepBox 损失,RepGT 损失函数计算目标预测框与相邻真实框所产生的损失值,用来减少棒料误检;RepBox 损失函数计算目标预测框与相邻的其他目标预测框所产生的损失值,用来减少棒料漏检。实验结果表明,改进算法的检测速度为 63 帧/ s ,比原 YOLOv4 算法提升了20 帧/ s ;识别准确率达到 97.85% ,比原 YOLOv4 算法提升了 1.62% 。     

面向无人艇的航海雷达与光电吊舱协同环境感知方法

为了提升无人艇对典型水面小目标的感知能力,本文对面向无人艇的航海雷达与光电吊舱协同环境感知方法进行了研究。首先,本文采用了高斯滤波和形态学滤波进行航海雷达图像处理;其次,本文研究了深度学习目标检测算法,提出了基于多尺度卷积融合结构和空间注意力加强的改进型单个深层神经网络(SSD)目标检测算法模型,提升对弱纹理小目标特征保持性,并在VOC2007数据集和典型水面场景下进行了验证。此外,本文提出了航海雷达与光电吊舱联合目标感知流程,对航海雷达感知目标分布图和光电吊舱感知目标分布图进行融合处理,得到最终的目标分布图,包括目标类别、方位、距离等信息。实验表明,本文的改进算法达到75.3%的平均准确率(mAP),同时保持了64.4 FPS的实时检测速度,航海雷达与光电吊舱能协同有效地对海面目标进行探测。     

一种远距离行人小目标检测方法

远距离行人小目标成像像素少、缺乏纹理信息,深度卷积神经网络难以提取小目标细粒度特征,难以准确识别与检测。本文提出一种远距离行人小目标检测方法。首先,在YOLOv4的基础上引入浅层特征改进特征金字塔,提取行人小目标细粒度特征,提出引力模型特征自适应融合方法,增加多层次语义信息之间的关联度,防止小目标特征信息流失。然后,采用增强型超分辨率生成对抗网络增加行人小目标特征数量,提高行人小目标检测准确率。最后,选取图像像素中占比范围为0.004%～0.026%的行人小目标建立试验数据集,通过与Faster RCNN、ION、YOLOv4对比实验验证。结果表明,本文方法mAP_0.5提高了25.2%、26.3%、11.9%,FPS达到24,研究成果在远距离安防监测监控领域具有重要应用价值。     

基于深度残差网络的多人姿态估计

为了提高人体姿态估计的准确度和检测速度,提出了一种基于深度残差网络的多人姿态估计算法。首先使用现有的先进目标检测算法检测出人体位置,再在人体边界框内作单人姿态估计。对现有模型的残差块进行改造, 降低了模型的参数量,加入多尺度监督模块和多尺度回归模块辅助训练,提高了模型的学习效率,并采用新的坐标提取方法进一步提高了模型的...     

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。     

基于关键点检测的航空发动机螺栓安装缺陷自动化检测方法

针对航空发动机螺栓存在背景复杂、目标小、且精细特征不明显的问题,本文研究了一种基于关键点检测的航空发动机螺栓安装缺陷的自动化检测方法。首先设计了基于Faster RCNN和改进CPN(AD-CPN)的级联卷积神经网络,实现了图像中螺栓及二维关键点的检测,可判断该螺栓是否脱落、漏装。为进一步检测螺栓的三维安装缺陷,通过欧氏距离选择策略对已检测出的关键点进行双目匹配、筛选以获得检测点对,最后对检测点对三维重构,并计算出螺栓的实际长度,从而判断螺栓是否错装。实验结果表明,相较于CPN,AD-CPN的mAP、AP₅₀、AP₇₅分别提升了2.9%、3.3%、4%;螺栓测量长度的相对平均误差约为3.0%,可见该方法具有较高的缺陷检测准确率,有效保障了航空发动机的安全运行。     

基于改进Faster RCNN的铝材表面缺陷检测方法

针对传统检测算法对工业铝材表面缺陷识别率不高、对于小缺陷定位不准确等问题,提出改进的Faster RCNN深度学习网络对于铝材表面10种缺陷进行检测.首先,对数据进行增强后,在主干网络加入特征金字塔网络(FPN)结构以加强对小缺陷的特征提取能力,随后用感兴趣区域校准(ROI Align)算法来代替粗糙的感兴趣区域池化(...     

Efficient method of positioning error analysis for aeronautical thin-walled structures multi-state riveting

This paper deals with the inspection of highly reflective chrome-coated rings used in textile machinery using machine vision. These rings are mass produced in very large numbers, and the inspection was done manually using an optical microscope. Introduction of vision inspection using algorithms supplied by a commercial vendor had not helped the industry to achieve 100% quality inspection. In order to improve inspection speed and to ensure 100% quality inspection, it was absolutely essential to improve the complete inspection process, and it was also required to classify defective and non-defective components by a proper sorting algorithm. The effect of the curved, reflective nature of material and the real-time inspection make the imaging and defect detection and classification difficult. In the present study, four different algorithms based on Fourier filtering, auto-median, image convolution, and single-step thresholding approaches were used for defect detection, and then their performances were compared with reference to efficiency of defect classification and speed. The complete procedure, analysis, and the results of different image processing algorithms used in defect detection are reported in this paper.