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YOLOv3算法的堆叠工件检测

针对传统物体检测算法识别堆叠工件存在准确率低以及漏检的问题,提出一种基于改进YOLOv3算法的堆叠工件检测方法。首先,引入Inception结构增强特征检测网络的特征提取能力,提高堆叠工件检测的准确率;其次,引用增强型特征金字塔结构(enhanced feature pyramid network, EFPN),提高模型多尺度特征融合能力,改善算法漏检率高的问题;最后,利用K-means聚类融合交并比损失函数(intersection over union, IOU)重新确定工件锚框,解决YOLOv3网络预设锚框尺寸不适合现有工件的问题。实验结果表明,改进算法均值平均精确度(mean average precision, mAP)达到92.89%,相较于原始YOLOv3算法提高了5.32%,F1值为0.95,召回率为93.33%,精确率为97.65%,满足堆叠工件检测的指标要求。     

基于改进轻量型YOLOv5的太阳能电池板缺陷检测

为解决太阳能电池板缺陷类型和尺度多样、小目标难以检测的难题，同时平衡各类缺陷的检测精度和速度，提出了一种改进轻量型YOLOv5的太阳能电池板缺陷检测方法。首先将网络模型部分卷积块替换为改进后的MobileOne Block模块，减少了模型参数量，提高模型检测速度；同时将主干网络的最后一层替换为SepViT Block,增强模型对全局信息的提取；然后设计了融合SimAM注意力机制的ASFF自适应特征融合模块，在改进多尺度特征提取的同时减轻模型的重量；最后增加P2检测层，提高小目标的检测效率，给模型带来持续的性能提升。实验结果表明，改进算法与原YOLOv5模型对比，参数量压缩了23.47%,检测速度达到了103 F/S,更好地实现嵌入式使用；检测精度达到了96.2%,比最新的YOLOv7-tiny提高了5.3%,证明了其优势。     

基于改进YOLOv5的轴类零件表面缺陷检测算法

针对当前轴件表面缺陷种类繁多、缺陷形态复杂等原因导致的检测精度低,提出了一种改进的YOLOv5的目标轴件表面缺陷检测方法。为解决在日常生产中经常出现轴件表面小目标缺陷被漏检、错检的问题,在原YOLOv5基础上,添加一个新的小目标检测层,并将较浅特征图与深特征图拼接,使得整个网络更加关注小目标缺陷。同时为解决多目标缺陷和不完整轴件检测精度低与漏检,自建数据集中添加多目标缺陷与遮挡处理的轴件图像数据,经对比实验可知,改进的YOLOv5模型的检测性能优于FasterRCNN、SSD、原始YOLOv5三种主流算法模型,测试的平均值精度分别高出7%、9%、4%。证明了该方法对轴件的表面缺陷检测精度更高,且对多目标缺陷与不完整的轴件的检测效果有显著提升。     

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。     

YOLOv5框架下的飞机蒙皮铆接缺陷检测

飞机蒙皮制孔及铆接质量的视觉辅助检测是飞机装配过程的关键环节，为提高其智能检测效率和精度，提出改进YOLOv5模型的飞机蒙皮铆接装配缺陷的检测方法。研究蒙皮制孔、铆接质量等，执行多种特征缺陷检测。为减少数据增强过程中计算损耗，避免训练过程中过拟合现象，引入随机数据增强策略作数据增广，采用强化学习方法确定随机搜索策略的超参数，可提升深度学习的数据驱动性能；更改损失函数为α-CIoU函数，并使用非极大抑制软计算方法(soft-NMS)进行预测框的筛选，以避免漏检情况，提高多种缺陷检测判别的准确性；最后将YOLOv5改进前、后算法进行对比实验。实验结果表明，在检测速度上单张图片检测时间可达到1.78 s,检测平均精度均值提升了16.4%,达到94.6%,精确率提升18.8%,达到90.7%,满足飞机批量化检测的精度要求和实时检测需求。     

基于深度学习的曲面玻璃表面缺陷检测方法

针对曲面玻璃表面缺陷成像难、识别准确率低等问题,提出一种基于YOLOv4的曲面玻璃表面缺陷检测方法。根据光源的方向确定平面与曲面的光学特性,采用明场背面漫射照明的方式来获得图像信息,确立打光方案后获取不同表面的缺陷图片。使用改进K-means聚类算法,采用交并比函数确定锚框的量度,解决原锚框大小不适用于玻璃缺陷小目标检测问题。将所提方法与缺陷检测主流算法对比验证。结果表明：所提改进的YOLOv4方法均值平均精度(mAP)可以达到80.14%,与Faster RCNN以及YOLOv3算法相比,mAP分别提升了8.29%和16.11%,并且有更好的鲁棒性和检测效果。     

基于改进YOLOv5s的复杂装配场景多尺度零件识别

针对当前AR装配引导系统场景感知能力较弱,对复杂装配场景中多尺度零件和遮挡零件识别效果不佳的问题,提出一种基于改进YOLOv5s的复杂装配场景零件检测算法。首先,通过多尺度特征融合,将新增浅层特征图输入到特征融合网络中,提高对小零件的识别效果;其次,在主干网络中增加卷积注意力模块(convolutional block attention module, CBAM)、Transformer编码器模块,提高对于重要特征的捕获能力,抑制冗余特征;最后,采用CIoU作为边界框损失函数,并将传统非极大值抑制(non-maximum suppression, NMS)算法改为DIoU＿NMS,提高零件被遮挡时的识别效果。实验结果表明改进后的YOLOv5s算法识别精度达到96.2%,相比原始算法提高了2.9%,提高了对多尺度零件特别是小零件及零件被遮挡时的检测性能,且满足实时性要求。     

针对钢材表面小目标缺陷实时检测

钢材表面缺陷检测任务中，YOLO将目标检测转换为对位置信息的回归问题，实现高帧率实时检测，但对小目标缺陷定位精度有所欠缺。针对该问题，以YOLOv5s架构为基础，首先，在模型输入端设定动态尺度训练范式，提高小目标缺陷训练精度；其次，设计STD-CA模块利用图像转换技术，避免下采样过程中分辨率的降低，导致小目标缺陷特征信息的丢失，并引导特征提取能力，降低无关背景特征关注度，进一步提高模型小目标缺陷检测精度。结果表明，在NEU-DET数据集中，改进后模型在保证检测速度保持在54 frame/s的同时，平均精度均值达到86.6%,较YOLOv5s提高17.6%,对小目标缺陷定位更加准确，目前优于其他深度学习钢材实时检测模型。     

基于机器视觉的3D打印异常诊断方法

为解决3D打印过程中出现的诸如堵头、断丝、翘曲等异常情况导致打印失败的问题,搭建检测平台并提出一种融合Xception的改进YOLOv5算法,完成异常实时检测,达到及时处理、提高打印成功率的目的。通过对YOLO算法头部、躯干部以及瓶颈块进行轻量化改进,提高识别帧率并减小参量;然后对输出部分进行改进,使特征相似的异常图像被收集后输入至Xception算法中,提升异常识别分类的准确率;最后利用Qt跨平台开发框架设计打印异常诊断系统人机交互界面软件。结果表明：改进的融合算法在自建3D打印异常数据集中识别准确率为88.75%,较原YOLOv5算法提高3.22%,同时识别平均帧率为28帧/s,提高了40.0%,可以满足实际打印中对识别准确率及实时性的要求。     

基于深度学习的工业零件识别与抓取实时检测算法

为了提高工业生产中视觉控制机械臂抓取工业零件的精度和速度，提出一种新的识别工业零件类别和最佳抓取位置的检测算法。运用YOLOv5l目标检测算法对视界中的多种工业零件进行识别，随后将其识别图片传入抓取位置检测算法进行最佳抓取位置的识别。针对抓取位置检测的问题，提出一种改进的神经网络模型，在GG-CNN网络的基础上添加四层残差网络做平层特征提取，增强特征提取的效果。实验结果表明：此算法的识别准确率在95%以上，抓取成功率在90%左右，验证了该算法在多种工业零件和最佳抓取位置识别中具有高准确性和时效性。     

基于改进YOLOv7的换热器板片故障检测算法研究

针对换热器板片装配检测成本高、检测精度低等问题,提出一种改进的YOLOv7算法检测换热器板片的装反问题。在原始数据集上采用限制对比度自适应直方图均衡化对图像进行处理,提高待检测图像的清晰度;在YOLOv7模型原有基础上,针对换热器板片层数较多、模糊且噪点多,提出一种多级自适应注意力机制添加至Backbone最后一层;针对图像识别模型计算量大、下采样特征损失严重,采用改进的MP-D模块优化原有的下采样模块;针对特征提取部分,加入 F-ReLU 激活函数,使得计算速度和检测准确性有了明显提高;针对Neck部分的PANet结构,融合BiFPN跨尺度连接的思想,进一步提高融合的效     

基于动态专家会议算法的刀具磨损度在线识别

为了提高机床加工过程中刀具磨损度识别准确率,提出基于动态专家会议算法的在线识别方法。分析刀具磨损机制,设计刀具磨损度识别框架;使用CEEMD分解源信号得到IMF分量,并基于IMF分量提取信号的改进I-kaz TM 系数、功率谱熵、标准差等多指标特征矩阵;针对随机森林算法存在的问题,将决策树视为决策专家,根据专家历史决策准确率动态确定专家决策权,从而设计一种新的动态专家会议算法。经PHM2010刀具磨损数据集验证,多指标特征矩阵在空间分布的类内聚集度、类间区分度均较好;基于动态专家会议算法的刀具磨损识别准确率为98.44%,分别比RF、LS-SVM算法高出了17.19%、11.72%,说明动态专家会议算法在刀具磨损度识别中是有效的。     

基于YOLOv4算法的冲压件缺陷检测

针对冲压件缺陷检测目前存在的人工检测强度大、效率低等问题,提出了一种基于改进YOLOv4(You Only Look Once)模型的快速检测算法(YOLOv4-Mobile).该方法使用改进的MobileNetV3网络代替YOLOv4结构中的CSPDarknet53网络,改进的MobileNetV3网络结合了深度可分...     

融合Camshift与YOLOv4车辆检测算法

作为one-stage代表作的YOLO系列最新算法,YOLOv4在检测速度和精度相比于YOLOv3均有提升,但是YOLOv4在视频流的检测速度上仍有提升的空间。提出一种融合Camshift和YOLOv4的车辆目标检测算法。算法的流程为:首先计算图像的差异值哈希值,然后利用哈希值来判断当前帧图像与上一帧图像的相似度,当相似度小于阈值,则交给YOLOv4算法进行检测,并将检测结果传给Camshift作为其初始化跟踪窗口;当相似度大于阈值,则由Camshift算法来进行跟踪。最后在实际道路上采集的数据进行算法检测,检测结果表明融合算法的有效性。     

基于YOLOv5和DeepSORT的金刚石锯丝磨损监测

为提高金刚石线锯切割的效率和质量,满足实时监测锯丝磨损的需求,提出一种基于改进的YOLOv5检测算法,在YOLOv5的基础上融合坐标注意力机制和BiFPN模块,使检测精确度、召回率、平均精度均值分别提高1.7%、3.7%、3.2%,能够有效检测不同磨损程度的磨粒;再连接DeepSORT多目标跟踪算法,设置虚拟检测线,统计不同磨损程度的磨粒数量,进而监测金刚石锯丝的磨损情况。     

基于改进SIFT算法的机械臂识别抓取研究北大核心

为解决水下机器人进行水下目标物识别时,存在的计算速度慢、抗噪声能力差等问题,提出一种基于SIFT和FLANN的图像识别算法,并在自主研发的机械臂平台上进行验证。使用改进算法提高目标识别的准确率;基于D-H法建立机械臂模型进行运动学分析,实现系统优化控制。利用机械臂进行多组抓取实验。结果表明:所提方法不仅可以准确地识别海参,同时可以自动调节识别框的位置,提高机械臂抓取的成功率,验证了该算法的有效性。     

基于参数策略的改进粒子群优化PNN神经网络刀具磨损研究

刀具磨损直接影响工件加工质量和尺寸精度,正确掌握刀具磨损状态及时换刀,减少机床停机时间,将直接提高加工效率。为提高刀具磨损状态识别准确率,提出一种基于参数策略的改进粒子群优化PNN(IPSO-PNN)神经网络识别刀具的磨损状态。相较于BP神经网络收敛速度慢、易陷入局部最优的缺点,IPSO-PNN神经网络结构简单、训练简洁快速。与BP神经网络和标准PNN神经网络仿真结果对比,结果表明:IPSO-PNN神经网络识别准确率高,收敛速度快,仿真耗时短,能有效提高刀具磨损识别准确率。     

基于改进的ORB算法的工件图像识别方法

针对传统的工件图像识别算法运行速度慢、匹配精度差等问题,提出一种改进的ORB（Oriented FAST and Rotated BRIEF）算法解决工件图像的实时与准确识别问题。该算法的流程是首先利用ORB算法提取工件图像的角点特征,随后为其添加SURF（Speed-Up Robust Features）描述符进行方向分配,得到具有旋转尺度不变性的图像角点,结合快速近似最近邻搜索算法进行特征点的匹配,实现工件图像的识别。实验结果表明：在图像存在旋转尺度变化的情况下,使用改进的ORB算法相比传统的ORB、SIFT（Scale Invariant Feature Transform）和SURF算法以及SIFT+SURF、SURF+FREAK组合算法在工件图像角点提取与目标匹配方面速度更快,识别精度更高,提高了工业机器人在搬运工件过程中对工件图像的识别效率和准确性