基于改进YOLOv5的织物缺陷检测

鉴于织物表面纹理复杂导致织物缺陷检测准确率低以及小目标检测困难等问题,提出一种基于改进YOLOv5的织物缺陷检测算法。首先,在YOLOv5的骨干网络上,增加CBAM注意力机制,从而强化有用的特征信息弱化无用的特征信息;其次,将Neck层的路径聚合网络(PANet)用加权双向特征金字塔网络(Bi-FPN)替换,从而更好地平衡多尺度特征信息,提高小目标检测的特征能力。最后,通过改进损失函数,使用Focal EIOU Loss损失函数来代替CIOU Loss损失函数,不仅使得收敛速度更快,而且可以有效的解决难易样本不平衡问题。实践证明：改进后的训练模型平均精度均值mAP值为84.5%,比未改进增加了4.7%,可满足实际生产中的织物缺陷检测要求。     

基于改进YOLOX模型的樱桃缺陷及分级检测

目的:实现工业化条件下樱桃的快速分级。方法:采用YOLOX网络对缺陷果进行检测,通过为特征金字塔网络设置适当的融合因子来提高不明显缺陷的检测精度,并将Focal Loss集成到损失函数中;使用YOLOX网络对完好果进行分级,引入注意力机制CBAM来加强网络特征提取。结果:樱桃表面缺陷的平均检测精度为97.59%,大小和颜色分级的平均检测精度为95.92%。结论:改进后的YOLOX网络可明显提升樱桃缺陷及分级检测的精度。     

基于改进Faster R-CNN的食品包装缺陷检测

目的：对纸质包装盒缺陷进行准确的识别与定位。方法：应用改进Faster R-CNN的网络模型自动对包装盒缺陷进行检测。对训练集图片进行数据增强并添加噪声，提升模型的训练精度和鲁棒性；将特征提取网络替换为ResNet50，并融合特征金字塔网络（FPN），提高模型多尺度检测的能力；使用K-means++对数据集中缺陷尺度进行聚类，优化锚框方案。结果：改进后的Faster R-CNN模型在测试集上的平均准确率（AP）达到93.9%，检测速度达到8.65帧/s。结论：应用改进的Faster R-CNN模型能够有效检测出包装盒缺陷并定位，可应用于包装盒缺陷的自动检测与分拣。     

基于改进卷积神经网络的化纤丝饼表面缺陷识别

针对传统人工检测化纤丝饼表面缺陷方法的不足,提出改进的卷积神经网络对正常以及3种常见缺陷丝饼进行分类识别。首先对采集的丝饼图像进行分块处理,然后利用改进的卷积神经网络进行特征提取,采用全局最大池化层代替全连接层,增强了图像对空间变换的鲁棒性,减少了模型参数,并利用softmax分类器进行分类。最后在网络学习过程中提出主动学习方法,用少量标注样本对网络进行训练,选出对提升网络性能最具价值的样本进行标注并加入到训练样本中进行训练检测。结果表明,该方法可有效实现丝饼的缺陷识别,识别准确率达到97.1%,并有效减少了网络所需的标注样本数量,节省大量的标注成本,具有一定的通用性。     

基于改进DANN网络的织物缺陷检测

针对传统的织物缺陷检测算法普适性不足的问题,提出一种基于改进DANN网络的织物缺陷检测算法。分析了对抗迁移学习领域的DANN网络存在的仅考虑源域和目标域间特征相似的情况和对于复杂图片提取到的特征能力较差的问题。提出了改进的方法,通过在网络中加入MMD层,可以对提取到的目标域特征赋予不同的权重,并使用ResNet50作为特征提取器。将原DANN网络和改进的MMD-DANN网络在织物缺陷图库中进行了测试并对比了二者的缺陷检测结果。结果表明,改进后网络相比于原网络的准确率平均提高了5%左右,且实时性良好,能满足实际工业需求。     

中密度纤维板表面缺陷实时检测系统

中密度板加工生产过程中,表面缺陷检测环节现有方法仍然以人工为主,检测速度慢、效率低。针对中密度纤维板的油污、松软、黑斑、杂物等常见的6类缺陷,设计了一种基于线阵相机的中密度纤维板表面缺陷实时检测系统。提出了一种改进的CenterMask算法,该算法对原有特征提取网络进行了网络改进。在中密度板表面缺陷数据集中的测试结果表明:在检测速度大于6FPS的算法中,改进的CenterMask算法对有着最高的缺陷分割准确率。     

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明：提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。     

基于电子舌和电子眼结合改进MobileNetv3的黄芪快速溯源检测

目的:实现对不同产地黄芪的快速溯源检测。方法:提出了一种基于电子舌和电子眼结合改进MobileNetv3网络的黄芪产地快速检测方法。采用电子舌和电子眼分别采集不同黄芪样本的一维指纹图谱信息和二维外观图像信息。利用格拉姆角场(Gramian angular field, GAF)将一维电子舌信号转换为二维图像信息，保留电子舌信号中时间序列相关特征，再将其与电子眼采集的图像信息进行数据融合，采用基于金字塔切分注意力机制(Pyramid split attention, PSA)改进的MobileNetv3模型实现对不同产地黄芪样本的分类识别。结果:相较于单独使用电子舌或者电子眼，该方法具有更高的识别准确率，其测试集准确率、精确率、召回率和F₁-Score分别达到98.8%,98.8%,98.8%和0.99。改进的MobileNetv3网络分类准确率较原始模型提高了8%,参数量仅为原参数量的20%左右。结论:改进的MobileNetv3网络可以有效减少参数的计算量，提高不同产地黄芪识别的准确率。     

基于改进CNN的苹果缺陷检测方法研究

目的:解决现有苹果缺陷检测方法存在的精度低、效率差等问题。方法:基于水果图像采集系统,提出一种改进的卷积神经网络用于苹果表面缺陷检测;引入深度可分离卷积代换原网络标准卷积,提高特征提取速度;引入Leaky ReLU激活函数代替ReLU激活函数,提高计算效率和精度;引入全局平均池化替换全连接层,降低网络模型的计算量;并在每层卷积后加入批量归一化层,通过试验与常规方法进行对比分析,验证其优越性。结果:与常规方法相比,所提方法在苹果缺陷检测中具有较高的检测准确率和速度,且模型参数量少,准确率达99.60%,检测速度(每秒帧数)达526,模型参数量为389 072。结论:该苹果缺陷检测方法能有效降低模型参数和检测时间,具有较高的准确率和速度。     

基于改进的Faster R-CNN的小目标储粮害虫检测研究

针对小目标储粮害虫图像的检测问题,提出了一种基于特征金字塔网络的Faster R-CNN改进模型对图像中的小目标进行检测。本文以5种常见的储粮害虫为检测目标,样本中通过随机组合的方式混合不同种类的储粮害虫进行拍照取样,通过对原始图像数据进行目标扩充后构建了含942张储粮害虫图像的数据集（CSGP）。在改进模型的特征金字塔网络结构中,特征提取网络产生的高层特征图通过下采样方式逐步对底层特征图进行融合,生成适合多尺度目标检测的特征图。实验结果表明,采用训练集目标扩充的方式,储粮害虫图像的目标检测结果mAP提升了2.21%;改进后的模型进一步使得储粮害虫图像检测的mAP达到96.69%。最后,设计了一套粮仓内的储粮害虫监测系统。     

改进YOLOv3算法的筷子毛刺缺陷检测方法

针对目前筷子质量检测机器并不能对带有毛刺的筷子进行有效分拣这一问题,提出了一种基于改进YOLOv3算法的筷子毛刺缺陷检测方法。通过删除YOLOv3网络多尺度检测中的32倍降采样的检测层,在YOLOv3网络中增加4倍降采样层,进一步得到深层特征并与第二次下采样中的浅层特征进行融合,让网络同时学习深层和浅层特征、重新聚类anchor box尺寸、改变YOLOv3网络的超参数,如减小抖动、减小权重衰减正则项、增大批尺寸、选择合适的动量值等方法,对原网络进行改进。当交并比(IOU)为50时改进后网络的平均检测精度由89%提升到了94%,查准率提高了4%,查全率提高了9%,平均IOU提高了3.5%,平均检测速度由16.8帧/s增加到了21.0帧/s。试验结果表明,该方法相对于传统筷子质检机具有更高的检测效率,能满足筷子毛刺缺陷的检测需求。     

基于语义生成与语义分割的机织物缺陷检测方法

针对织物疵点的语义分割任务中因数据集规模限制，而导致网络出现的严重过拟合问题，课题组提出了针对织物的语义生成网络。语义生成网络使用随机产生的语义标签生成对应的织物缺陷图像，相较于传统数据增强方法，语义生成可生成全新图像，更贴近实际缺陷分布，并且可通过判别器对生成图像进行筛选；课题组将语义生成的图像作为语义分割网络的输入，相应的随机语义标签作为目标，免去标注过程，扩充语义分割网络的训练样本，提升网络性能；对于语义分割网络，提出尺寸自适应Dice损失函数，解决样本不平衡问题，提升网络对小尺寸的检测能力。实验结果表明：尺寸自适应Dice损失函数使得模型精度提高11.1%,使用BEGAN扩充的数据集相较于传统方法扩充的数据集训练得到的模型精度提高7.4%。     

基于小目标的手机外包装盒印刷质量自动检测算法研究

本文针对手机外包装印刷过程中出现的小目标缺印问题,提出了基于图像识别的改进YOLOv5算法智能检测。在原算法的基础上,通过对小目标检测进行深入研究,改进了原算法的小目标检测,最后采用改进的EIOU损失函数,从而针对手机外包装印刷过程出现的小目标缺陷问题进行检测。通过实验结果表明对同一数据集的手机外包装盒印刷缺陷,本研究的准确率达到82.0%,平均精度均值达到83.5%。该研究能够有效针对手机外包装印刷过程中出现的小目标缺陷进行高速和准确的识别,为手机外包装印刷检测过程中小目标缺陷检测提供了一种解决思路。     

基于改进faster R-CNN算法的小目标车辆检测

针对faster R-CNN对远距离小目标车辆的检测效果较差的问题,文章融合特征金子塔网络(FPN)和faster RCNN,提出了反卷积反向特征融合faster R-CNN算法。首先,对faster R-CNN算法的特征提取网络进行改进,选用ResNet-101网络替换VGG网络,不仅降低了训练难度,而且有效改善梯度消失问题,将其与提出的反卷积反向特征融合结构相结合,提高对远距离小目标车辆信息的多尺度特征的提取和表达能力;然后,将网络中的ReLU激活函数改进为Mish激活函数,用整个区域的光滑曲线解决ReLU函数会丢失一部分信息的问题,以整体提高网络对车辆目标的精确度、稳定性和鲁棒性;最后,在自建的小目标车辆图像库中与faster R-CNN、YOLOv3等算法进行对比实验,综合场景下平均精度分别提高2.18%、2.98%,对于小目标车辆,平均精度分别提高5.72%、2.10%。     

基于多重注意力机制的服装图像实例分割

不同服装部件的细分可使设计师更好地开发时尚新品,同时有助于消费者更好地理解设计概念。当前,服装图像分割的主流方法多基于深度卷积神经网络(Deep Convolution Neural Network,DCNN),但受制于感受野的大小限制,DCNN无法捕获全局依赖性。有鉴于此,文章在Mask-RCNN的基础上,提出了一种基于非局部注意力机制的双分支多重注意力网络(Multiple Attention Mask-RCNN,MA-Mask-RCNN),分别用于提取位置注意力和渠道注意力。经过特征融合后,将特征金字塔网络(Feature Pyramid Network,FPN)模块和多重注意力模块并联,将该分割网络在Imaterialist-fashion(2019)数据集上训练,并与基准网络的表现进行对比,证明了所提出的MA-Mask-RCNN(Multiple Attention Mask-RCNN)是一种可有效进行服装细粒度实例分割的神经网络。     

变形丝及产品的开发

常规化纤原料，经牵伸，假捻，网络加工，可以获得各种形状的变形丝，为合纤仿真产品开辟了一条新路。文章介绍了常见的四种大类加工丝，及其产品的开发和生产中应注意的事项。     

基于改进YOLOv5的纸病检测方法

针对传统纸病检测算法中纸病特征提取困难、实时性差的问题,提出一种改进YOLOv5的纸病检测方法。该方法首先在批量归一化模块的首尾部分添加居中和缩放校准,形成更稳定的纸病有效特征分布;其次在骨干网络中添加坐标注意力机制,增强骨干网络的纸病特征提取能力;最后选用 CIoU_loss作为边界框回归的损失函数,实现高精度的定位。实验结果表明,改进后的算法平均精度达99.02%,实时检测速度达41.58 帧/s,相较于现有的基于CNN纸病分类算法,检测精度与检测速度都有较大的提升,且改进后的算法对光源的依赖程度更低,能对各类纸病实现精准辨识。     

基于深度学习的不规则特征识别检测技术

针对目前工业上金属轴零件在加工的过程中可能由于加工失误、本身材质等原因产生不同缺陷,而传统的检测方法检测精度和泛化能力有限的现状,课题组提出了基于深度学习的不规则特征识别技术,来提升对金属轴表面缺陷的检测效率。课题组设计了金属轴表面缺陷图像预处理方法,提升采集的缺陷图像的质量;对传统深度学习Faster R-CNN进行改进,设计了模型的特征提取网络、RPN网络、分类网络以及模型参数,提升模型的检测性能。实验结果表明本技术能有效提升工业流水线对金属轴缺陷的检测效率和精度,可同时检测多种不同种类的缺陷。课题组的研究成果具备良好的泛化能力。     

面向织物疵点检测的缺陷重构方法

为解决复杂图案织物疵点检测精度不足的问题,通过将疵点视为对织物纹理的破坏,利用生成对抗神经网络对疵点图像进行重构,使其恢复成正常织物纹理的图像,然后将重构图像与缺陷图像进行求异计算,对求异结果进行图像分割,实现疵点检测目的。同时引入自注意力机制、L1损失函数和改进的结构损失函数用于改进生成对抗神经网络结构及其损失函数,用以分析并解决疵点图像重构精度差和网络处理图像细节能力的不足。最后采用本文方法与无监督缺陷检测算法(ReNet-D)和SDDM-PS 2种方法对5种不同复杂图案织物疵点进行实验对比,结果表明本文方法检测精度更高。     

基于改进CNN和数据扩充的苹果表面缺陷检测

目的:提高苹果表面缺陷的检测准确率和效率。方法:基于改进卷积神经网络(CNN)和数据扩充建立苹果表面缺陷检测方法。改建CNN的拓扑结构,并将其用于苹果表面缺陷检测;利用条件生成对抗网络,合成表面无缺陷和有缺陷苹果图像,实现图像数据扩充和提高改进CNN的苹果表面缺陷的识别性能;通过模型剪枝,合理权衡苹果表面缺陷的检测准确率、检测时间及节能限制,以提高所提方法的实用性。结果:当改进CNN中的解释层选用2 048个解释性神经元时,平均检测准确率最高;条件生成对抗网络增强了苹果图像数据集的多样性;随着增强图像数在测试数据集中占比的增加,所提方法对苹果表面缺陷的检测准确率不断升高;当剪枝后的模型尺寸占原始模型尺寸的百分比从100%降至50%时,可以以6.96%的准确率损失将苹果表面缺陷的检测效率提升1倍。结论:试验方法有望在苹果生产和加工过程中实现自动化缺陷检测。