改进 YOLOv5 的新能源电池集流盘缺陷检测方法

针对新能源汽车电池集流盘中因目标缺陷分布杂乱、尺寸跨度大和特征模糊而易出现误检、漏检的问题,提出一种基于 多尺度可变形卷积的 YOLOv5 方法(YOLOv5s-4Scale-DCN),以用于汽车电池集流盘缺陷检测。 首先,针对不同尺度的缺陷目 标,在 YOLOv5 模型的基础上新增检测层,通过捕获不同尺度缺陷的特征以及融合不同深度的语义特征,提高对不同尺度缺陷 目标的检测率;其次,引入可变形卷积,扩大特征图的感受野,使提取的特征辨析力更强,有效地提高了模型的缺陷识别能力。 实验结果表明,所提的 YOLOv5s-4Scale-DCN 算法可以有效检测新能源汽车电池集流盘缺陷,mAP 达到了 91%,相较原算法提 高了 2. 5%,FPS 达到了 113. 6,重度不良和无盖缺陷这两种类别的缺陷,检测召回率达到了 100%,满足新能源汽车电池集流盘 缺陷实时检测要求。     

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。     

超轻量人脸关键点检测算法

随着深度学习网络研究的深入和网络模型精度的提高，网络层数及深度在逐渐增加，导致计算量增大。同时，基于深度学习模型人脸关键点检测在嵌入式设备上部署的需求，轻量化、高效和准确的网络模型成为研究关键。因此，本文设计了一个基于Ghost Model块和Ghost Bottleneck架构的超轻量型人脸关键点检测算法，在确保网络精度的同时，尽可能减小网络模型大小，降低计算量。在网络宽度因子为1X的情况下，与现有表现最好的轻量化网络模型PFLD 1X相比，归一化平均误差降低了7%,参数量减小了36%;在宽度因子为0.25X的情况下，本论文提出的网络模型大小仅420 KB,归一化平均误差降低了6.6%,参数量减小了25%。     

基于改进卷积网络的野外复杂背景输电线压接管检测方法

为提升复杂场景下卷积网络压接管检测精度和速度,减小模型,提出一种基于小波分析和改进轻量化神经网络的野外复杂背景下压接管视觉检测方法,使用小波分析去除图像噪声,主干网络使用轻量化GhostNet模型,并引入全维动态卷积增强主干特征提取能力,使用深度可分离卷积降低模型复杂度,嵌入改进的卷积块的注意力模块(convolutional block attention module, CBAM),关注重点特征提高模型精度,使用K-means++算法聚类锚框尺寸并线性变换,加快目标框收敛速度,使用CIoU-NMS提高检测速度与精度。实际检测结果表明,与YOLOv4模型相比改进YOLOv4轻量化模型大小大幅降低了199.7 MByte,精度仅损失2.98%,且检测速度提升了3.4 Hz,达33.9 Hz,边缘部署效能指标更优,因此,改进轻量化网络模型在检测精度、模型大小和检测速度之间达到最佳平衡。最后,野外复杂背景多场景下的检测效果也表明算法能很好满足工程实际任务中的检测需求,具有较好工程实用性。     

基于改进YOLOv4的轻量化目标检测算法

为解决YOLOv4目标检测网络结构复杂、参数多、训练所需的配置高以及实时检测图片的传输帧数低,难以实现工业上的应用普及等问题,提出一种基于YOLOv4改进的轻量化算法SL-YOLO。在原始的YOLOv4网络上进行改进和优化,使用ShuffleNetv2轻量级网络替换YOLOv4原始骨干网络,将SENet模块融入ShuffleNetv2,降低网络计算复杂度,在网络层中加入Swish激活函数,使模型收敛效果更好;同时用简化后的加权双向特征金字塔结构改进原模型的特征融合网络,优化目标检测精度;通过消融实验判定各通道的重要性,对冗余剪枝,将模型进行压缩。在PASCAL VOC和MS COCO数据集上进行对比实验,改进后的模型与原始YOLOv4相比,模型内存减少89.4%,浮点运算量下降88.4%,检测速度提升了近2倍。实验结果表明,改进后的YOLOv4模型能够在保持较高的精度下有效减少模型推理计算量,大大提升模型检测速度。     

融合特征增强的轻量化罐道缺陷检测算法

为了解决矿井复杂环境下,缺陷特征提取不充分问题,融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先,为了提高主干网络特征图信息表征能力,设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力,并且有效降低模型参数量;然后,经过主干网络提取到高低层级特征后,由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息,显著增强小目标的特征信息;最后,为提升检测精度的同时保障检测网络的轻量化,在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明,相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。     

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。     

基于改进轻量化U-Net模型的光伏电池EL图像缺陷检测

基于实际工程检测现场神经网络结构庞大、参数量巨大、环境复杂,硬件设备性能差等原因导致缺陷的实时检测速率慢、精度低的问题,本研究结合MobileNet中的深度可分离卷积配合ECA注意力机制模块的轻量化思想,以及U-Net网络的特征提取模型提出了一种基于改进U-Net网络模型的光伏电池板缺陷检测方法。同时,根据光伏电池缺陷的特点,选择适合的激活函数以及对交叉熵损失函数进行了改进。实验结果表明,改进的U-Net算法较原算法不仅将参数量减少了36%,而且对裂纹、黑斑等缺陷的检测精度达到了97.05%,相对传统网络具有较好的光伏电池表面缺陷分割效果。     

轻量化的印刷电路板缺陷检测网络 Multi-CR YOLO

针对印刷电路板表面缺陷目标小,检测精度低问题,设计了印刷电路板表面缺陷检测网络Multi-CR YOLO,满足实时检测速度的前提下,有效提高了检测精度。首先,由3个Multi-CR块组成的主干特征提取网络Multi-CR backbone对印刷电路板小目标缺陷进行特征提取。其次,SDDT-FPN特征融合模块使层级高的特征层向层级低的特征层进行特征融合,同时为小目标预测头YOLO Head-P3所在特征融合层加强特征融合,进一步增强低层特征层的表达能力。PCR模块加强主干特征提取网络与SDDT-FPN特征融合模块不同尺度的特征层的特征融合机制,且防止模块之间进行特征融合时信息丢失。C₅ECA模块负责自适应调节特征权重和自适应注意小目标缺陷信息的要求,进一步提高了特征融合模块的自适应特征提取能力。最后,3个YOLO-Head负责针对不同尺度的小目标缺陷进行预测。实验表明,Multi-CR YOLO网络模型检测mAP达到98.55%,模型大小为8.90 MB,达到轻量化要求,检测速度达到了95.85 fps,满足小目标缺陷实时检测的应用需求。     

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。     

应用于绝缘子缺陷检测的轻量化YOLOv4研究

针对YOLOv4主干网络庞大、参数量多,应用于绝缘子缺陷检测中无法满足实时性要求的问题,提出一种轻量化的YOLOv4检测模型。首先,引入含ECA集成组件的GhostNet作为特征提取网络,保证特征提取能力的同时大幅减少模型参数,加快模型推理速度。其次,使用K-means++聚类算法确定出初始锚框尺寸,以适应绝缘子缺陷大小,提升缺陷定位精度。最后,在交叉熵损失函数的基础上引入Quality Focal Loss改进损失函数,进一步提升模型检测性能。实验结果表明,改进后的轻量化YOLOv4与原始YOLOv4相比,模型大小压缩至原来的62.47%,每秒帧率提升了68.83%,绝缘子缺陷检测的准确率提升了1.07%,在显著提升检测速度的同时保证了算法检测精度,且在小目标和复杂背景下表现突出。     

基于轻量级卷积神经网络的手势识别检测

针对基于深度学习的手势识别模型参数量大、训练速度缓慢且对设备要求高,增加了成本的问题,提出了一种基于轻量级卷积神经网络的手势识别检测算法。首先利用Ghost模块设计轻量级主干特征提取网络,减少网络的参数量和计算量;通过引入加权双向特征金字塔网络改进特征融合网络,提升网络检测精度;最后使用CIoU损失函数作为边界框回归损失函数并加入Mosaic数据增强技术,加快模型收敛速度提升网络的鲁棒性。实验结果表明,改进后的模型大小仅为17.9M,较原YOLOv3模型大小减小了92.4%,平均精确度提高了0.6%。因此新的检测方法在减少模型参数量的同时,还可保证模型的检测精度和效率,为手势识别检测提供理论参考。     

基于深度可分离卷积及SVD输电线路缺陷检测

针对输电线路实时巡检中无人机嵌入式移动端的存储和计算受限问题,在Faster R-CNN目标检测框架及VGG特征提取网络基础上,融合深度可分离卷积及SVD分解,构建了一种轻量级的输电线路缺陷检测方法。在公共的PASCAL VOC 2007与COCO数据集上的实验结果验证了所提方法的优越性。在输电线路缺陷数据集上实验,在保证检测精度不下降的同时降低了模型存储空间,提升了模型的检测速度,实现了检测的实时性。     

真空检漏机器人目标识别技术研究

在聚变装置真空检漏领域中,未来聚变装置涉氚运行,检漏人员无法进入装置检漏,这使得这项任务极其困难和耗时。 为实现聚变装置泄漏设备的快速准确检测,本文以 6 自由度机械臂为研究对象,提出了一种 GV2-YOLOv5 的真空设备检测方法 用于真空检漏机器人对真空设备进行识别和定位喷氦。 在该方法中,结合轻量级 GhostNetV2 网络构建 C3GhostV2 模块,同时使 用轻量的 Ghost 卷积提取目标特征,从而降低模型参数量,提高计算速度;在特征融合网络中添加 Bottleneck Transformers 和 ECA 注意力机制,提高网络特征提取能力以及加强模型通道特征。 实验结果表明,在自制数据集上,改进后的模型平均精度为 93. 2%,相比 YOLOv5s 提高了 1. 4%,模型参数量减少了 29. 5%,检测速度为 92 fps,满足实时性与准确性的需求,为真空检漏机 器人目标识别与定位提供了一种的解决方案。     

基于Shuffle-Unet的视网膜血管分割研究

针对传统视网膜血管分割算法检测速度慢,难以应用于实时医疗辅助诊断系统的问题,提出一种轻量型的基于Shuffle-Unet的视网膜血管分割模型。对轻量级模型ShuffleNetV2进行结构剪枝,剪除ShuffleNetV2结构上最后一层卷积层、全局池化层和全连接层,简化模型结构;将剪枝后的ShuffleNetV2作为模型的主干提取网络,降低模型的计算复杂度,提高模型的运行速度;使用随机通道分离操作模块搭建上采样模型结构,增强网络特征传递能力;使用注意力机制模块将模型的第一层特征层输出和上采样层相融合,分别从通道和空间两个维度上增强模型对有效特征的提取。通过DRIVE、CHASE_DB1两个公开数据集与其他视网膜血管分割算法进行对比,有效的证明了Shuffle-Unet模型具有高分割精度和高检测速度的特点。