卷烟包装外观缺陷数据集构建及深度学习检测技术研究

目的 为了提升烟包缺陷检测的准确率,构建卷烟包装外观缺陷识别基准数据集,并开展主流深度学习模型在卷烟包装外观缺陷智能检测中的应用研究。方法 首先,从生产运行中的ZB45型细支烟硬盒包装机组采集缺陷图像,经过人工审核与筛选后获取典型的缺陷数据。然后,根据缺陷的特征与成因,将缺陷数据划分为23个类别,并逐一进行目标检测框标注。最终,形成了包含13 000余张缺陷图像的卷烟包装外观缺陷识别基准数据集,并针对烟包缺陷识别、缺陷分类、目标检测、模型迁移4项任务开展实验。结果 结果表明,数据集能够满足高准确率深度学习模型的训练需求;通过模型迁移,能够利用该数据集大幅提高不同牌号卷烟的缺陷检测效果;DenseNet模型在烟包缺陷识别与缺陷分类任务上表现较好,准确率分别达到93.70%和95.43%,YOLOv5模型在缺陷目标检测任务上mAP@0.5值达到了96.61%。结论 该数据集能够作为烟包缺陷检测领域的基准数据集,研究成果将进一步支撑卷烟包装领域的数据应用与数字化转型。     

基于深度神经网络的货架商品识别方法

目的为快速统计货架商品信息,提出一种基于深度神经网络的货架商品自动识别方法。方法摄像头采集的货架商品图像经过深度神经网络算法处理,得到了图像中商品的SKU和位置。针对货架商品识别这种密集检测场景,文中方法改进了通用深度神经网络目标检测算法,将算法分为检测和分类2个阶段且重新设计了部分网络结构。最后,将文中方法和传统货架商品识别方法以及通用深度神经网络目标检测方法进行了比较。结果实验证明该方法的检测阶段的模型平均正确率达到96.5%,分类阶段的分类准确率达到99.9%。整图测试的查准率为97.56%,查全率为99.26%。结论相较于以往使用传统的目标检测模型进行货架商品识别以及使用SIFT等人工算子提取特征并分类识别商品具体SKU,文中方法的商品检出率和分类准确率都有了大幅度的提升,具有很好的应用潜力。     

基于机器视觉的啤酒金属盖表面缺陷检测方法

目的 为了提高啤酒金属盖表面缺陷检测的精度和准确率,提出一种基于机器视觉的金属盖表面缺陷检测方法。方法 以不同类型的啤酒金属盖表面缺陷为研究对象,利用滤波抑噪和高反差保留算法对图像进行处理,运用YOLO–v5网络完成瓶盖的缺陷检测。通过添加注意力机制SE模块、改进模型损失函数和预测框筛选方式等技术手段对原YOLO–v5模型作出优化,抑制图像中的不重要特征,提升小目标检测的准确率和模型的特征提取能力。结果 改进后的YOLO–v5模型与常用的检测模型的对比结果表明,改进YOLO–v5模型在测试集上的mPA指标为93.10%,检测速度达到了294张/min,优势较为明显。结论 针对不同类型的金属盖表面缺陷,基于机器视觉的检测模型均有较高的检测精度和识别准确率,小目标缺陷的漏检率和误检率情况较少,满足生产线实时、高精度的检测要求。     

基于深度学习的标准金属量器液位图像检测方法

传统基于灰度梯度分割的液位识别方法容易受到光照、清晰度等因素的影响,鲁棒性较低。为了解决这一问题,本文提出采用深度学习的液位图像检测算法;针对量器玻璃管液位线特点裁剪网络压缩卷积层,加快提取速度;使用K-means聚类设计先验框,增强尺度适应性。实验结果表明,基于YOLOv4的改进模型在液位线动态识别中,平均准确率mAP达到98.63%,帧处理速度达到了40fps。     

基于深度学习的合作目标靶球检测

为了解决复杂场景下激光跟踪仪对合作目标靶球的精确识别难题,提出了基于深度学习的合作目标靶球高效检测方法。首先分析了合作目标靶球的图像特征,然后采用改进的YOLOv2模型,针对合作目标靶球多尺度与小目标占比多的特点,提出了一种基于注意力机制的改进方法,同时为提高网络模型对复杂背景的抗干扰能力,提出了一种数据增强方法。测试结果表明,所提出的基于注意力机制与数据增强的改进YOLOv2模型对复杂背景的抗干扰能力较强,且对合作目标靶球的检测精度有显著提高,在合作目标靶球测试集上的检测准确率达到92.25%,能够有效满足激光跟踪仪在大型装置精密装配过程中的目标检测精度需求。     

改进YOLOv3的多模态融合行人检测算法

针对可见光单模态行人检测在夜间光线不足、目标密集、多尺度目标及目标部分遮挡场景中检测效果较低的问题,提出一种基于改进YOLOv3的多模态融合行人检测算法YOLOv3-Invo。该算法采用改进的Darknet-VI作为多模态特征提取网络模块,通过级联操作将两个不同特征图拼接输出,脖颈检测层分支引入空间金字塔池化模块并结合高效的内卷算子网络,以降低模型参数量;在检测网络层的深度卷积堆叠模块中设计新的ResFuse模型替换第一个卷积,并结合注意力机制CBAM模型,以加强融合特征图提取。对比实验表明,该算法在KAIST数据集上的行人检测准确率和召回率分别提升8.24%和2.82%,验证该算法的有效性,具有一定的研究价值。     

基于注意力与特征融合的工程机械目标检测方法

目的 针对施工环境中工程机械目标大小不一、相互遮挡、工作形态各异等问题,提出一种基于注意力与特征融合的目标检测方法(AT–FFRCNN)。方法 在主干网络中采用ResNet50和特征路径聚合网络PFPN,融合不同尺度的特征信息,在区域建议网络(RPN)和全连接层引入注意力机制,提高目标识别的能力,在损失函数中使用广义交并比(GIoU),提高目标框的准确性。结果 实验表明,文中提出方法检测准确率比其他方法有较大提高,检测平均准确率(mAP)达到90%以上。结论 能够较好地完成工程机械目标的检测任务。     

基于深度学习的水体色度分类算法研究

运用深度学习技术进行非接触、快速水体色度检测与分类,采用无人机采集水体图像,运用色度仪对标定的图像完成分类,建立数据集。采用图像归一化处理减少环境因素对分类结果的影响,设计多特征的分步边缘检测算法,检测水域图像边缘,剔除无关像素。对VGG 16、GoogleNet-V3和ResNet 18卷积神经网络进行水体色度分类模型构建与训练,后筛选Inception结构和残差结构为基本构建单元,设计专门用于水体色度分类的WCNet 15与WCNet 21神经网络模型。在训练集上训练参数并利用验证集完成对2个模型的准确率的比较,筛选准确率高的WCNet 21模型作为最终水体色度分类模型。WCNet21模型的最优准确率可达97.8%,满足水体色度分类需求,可应用到具体的水体色度分类工作当中。     

改进Faster RCNN在铝型材表面缺陷检测中的应用研究

目的:为了解决传统目标检测方法在应对极端长宽比和小目标检测时存在的准确率低的问题,设计了一种改进Faster RCNN的铝型材表面缺陷检测方法。方法:在Faster RCNN的基础上,以残差网络替换原始VGG16网络提取图像特征,采用特征金字塔网络提取并融合多尺度的特征图,合成低级和高级语义信息。结果:在4 000张图片测试集的基础上,检测准确率达到78.9%,召回率为85.6%,均衡平均数为82.1%,相比于原始Faster RCNN模型,分别提高了16.2%、17%、16.6%。结论:相对于原始Faster RCNN模型,本文采用的改进算法在缺陷检测上有更好的效果,从而为计算机辅助小目标缺陷检测做了可行性论证。     

基于多源域异构模型迁移的滚动轴承故障诊断方法

针对实际工业生产中不同规格和工况下滚动轴承振动数据分布差异大,多个相似数据集资源利用不充分,导致诊断模型准确率不高的问题,提出一种基于多源域异构模型迁移的滚动轴承故障诊断方法。该方法利用短时傅里叶变换获取滚动轴承振动信号的时频谱图;选择多种不同规格和工况下已知标签数据作为多源域,其他规格和工况下少量已知标签数据作为目标域;使用多个源域数据训练多个ResNet-34深度网络,并提出利用基于进化策略的与模型无关元学习改进异构模型参数迁移策略,使其能够自适应决定迁移到目标域的知识层级及内容;提出将源域知识迁移到VGG-16深度网络得到多个目标域模型后,将其提取的特征首尾相接输入同一个极限学习机中实现特征融合和分类,最终建立滚动轴承故障诊断模型。经试验验证,所提方法可实现不同规格和工况下滚动轴承间的迁移诊断问题,并具有较高的准确率。     

深度可分离卷积神经网络在自动分拣中的应用

针对传统的花卉分类算法在工业自动化分拣应用中出现模型参数过大、分拣精度不高的问题,提出一种基于深度学习的花卉识别算法。介绍了花卉分类算法在工业花卉包装分拣系统中的应用;根据实际需求,采用一种深度可分离卷积神经网络提取花卉特征,并详细分析了网络的模型结构;为了提高模型训练速度,提出了一种微调的模型训练方法。实验结果表明,所采用的花卉分类算法在工业花卉自动分拣的应用中相比传统算法,准确率更高、稳定性更好、应用更加广泛。     

基于改进Faster R-CNN的纸病检测算法

目的 达到纸病检测中能够充分提取纸病特征、提高检测精度、降低小目标漏检率的目标。方法 基于Faster R-CNN的检测算法进行改进,主要改进的做法是利用深度残差网络ResNet-50替换原模型的骨干特征提取网络VGG16,以保留更多的纸病特征信息,增强特征网络对纸张缺陷的提取能力;在算法中添加空间和通道的双重注意力机制CBAM,用来提高纸病检测精度;将ROI-Pooling替换为ROI-Align,增强网络的泛化能力。结果 实验结果表明,改进后的算法平均精度达到98%,较原算法平均精度提升了9%。结论 改进后的算法能够充分提取纸病特征信息,有效提高了纸病的检测精度,以及提高了小目标纸病的检测率,降低了错漏检率。     

基于改进YOLOv5的金属工件表面缺陷检测

目的 针对金属工件表面小尺寸缺陷检测精度低的问题,提出以YOLOv5网络为基础,结合注意力机制与Ghost卷积的表面缺陷检测算法。方法 首先,在原网络中增加SE通道注意力模块,增加缺陷有关信息的权重,减少无用特征的干扰,从而提高目标的检测精度。然后,将网络中空间金字塔池化模块的池化方式由最大池化替换为软池化,使得在下采样激活映射中保留更多的特征信息,获得更好的检测精度。最后,采用Ghost卷积块替换主干网络中的常规卷积模块,提取丰富特征及冗余特征,以此提高模型效率。结果 改进后网络平均精度均值达到0.997 8,相比原网络提高了7.07个百分点。结论 该网络显著提高了金属工件表面缺陷检测的精度。     

基于深度学习的工业自动化包装缺陷检测方法

目的针对目前工业自动化生产中基于人工特征提取的包装缺陷检测方法复杂、专业知识要求高、通用性差、在多目标和复杂背景下难以应用等问题,研究基于深度学习的实时包装缺陷检测方法。方法在样本数据较少的情况下,提出一种基于深度学习的Inception-V3图像分类算法和YOLO-V3目标检测算法相结合的缺陷检测方法,并设计完整的基于计算机视觉的在线包装缺陷检测系统。结果实验结果显示,该方法的识别准确率为99.49%,方差为0.0000506,只使用Inception-V3算法的准确率为97.70%,方差为0.000251。结论相比一般基于人工特征提取的包装缺陷检测方法,避免了复杂的特征提取过程。相比只应用图像分类算法进行包装缺陷检测,该方法在包装缺陷区域占比较小的情况下能较明显地提高包装缺陷检测精度和稳定性,在复杂检测背景和多目标场景中体现优势。该缺陷检测系统和检测方法可以很容易地迁移到其他类似在线检测问题上。     

深度卷积神经网络在滑动轴承转子轴心轨迹识别中的应用

针对传统旋转机械智能识别方法需要人为提取特征及诊断精度低的问题,基于深度学习的强大学习能力,提出一种深度卷积神经网络故障诊断模型(Deep Convolutional Neural Network Fault Diagnosis Model,DCNN-FDM)用于轴心轨迹识别。该模型包括输入模块、特征提取模块及分类模块三部分。原始图像输入模型后,经过输入模块的二值化处理及最近邻插值,统一变为尺寸大小为32×32的单通道图像;经特征提取模块中两组交替的卷积层和池化层作用,得到图形特征;最后,这些特征经全连接层的扁平化处理而张成一维向量,输入到softmax分类器中进行分类。利用奇异值差分谱方法,对实测轴心轨迹进行提纯,得到4类轴心轨迹样本集用于DCNN-FDM的训练与预测。结果表明:所提模型较传统的浅层学习模型的识别效果好,可实现转子故障的精确诊断,识别率达到97.09%。最后通过全连接层的主成分可视化分析,验证了模型具备自适应特征学习能力。     

基于改进YOLOv5的旋转目标检测算法及其应用研究

目的 提高工业分拣上常见的纹理多样、随机堆放盒体的检测与识别能力。方法 提出一种基于YOLOv5的旋转目标检测算法，该算法包括目标分类、位姿角度识别和边界框位置定位3个模块功能。目标分类模块中，通过自建数据集和设计8种目标分类标签以供模型分类学习;位姿角度识别模块对YOLOv5头网络中添加角度预测分支，引入环形平滑标签角度分类方法，实现分拣盒体的旋转角度精准检测;在边界框位置定位模块上，使用LCIoU回归框损失函数来计算旋转框回归损失，得到紧密包裹目标位置的边界框。结果 改进的YOLOv5算法在自建数据集上检测精度达到95.03%，在机器人多物体分拣实验中的准确率可达100%。结论 本文算法在盒体处于散乱堆放、密集堆放、堆叠堆放场景下均具有较高的定位与识别精度。     

基于人工鱼群算法-极限学习机的多手势精准识别

手势作为人机交互的重要方式,因灵活性与便捷性强,已成为控制领域的研究重点。针对上肢康复机器人手势识别技术存在的不足,结合特征组合与滑动窗口法,提出一种基于人工鱼群算法（artificial fish swarm algorithm,AFSA）优化的极限学习机（extreme learning machine,ELM）的多手势精准识别方法,以提高手势识别的准确率。首先,运用表面肌电测量系统采集人体常用的8种手势对应的表面肌电信号（surface electromyography,SEMG）,作为后续分类模型的信号源,并运用去噪技术与起止点检测技术对SEMG进行预处理;然后,选取通过主成分分析（principal components analysis,PCA）降维处理后的最优特征组合与最优滑动窗口;接着,采用AFSA搜寻ELM的最优输入权值和隐含阈值,以提高其分类准确率;最后,对AFSA优化的ELM（AFSA-ELM）分类模型、反向传播（back propagation,BP）神经网络分类模型和未优化的ELM分类模型进行比较,以验证所提出方法的精准性。实验结果表明,结合最优特征组合与最优滑动窗口设计的AFSA-ELM分类模型对多种手势的平均识别准确率高达97.4%,比BP神经网络分类模型和未优化的ELM分类模型分别高3.5%和1.6%,验证了所提出方法的识别精准性。研究结果可为手势识别提供新思路,进而为人体上肢动作的深度分析和上肢康复机器人手势识别算法的优化提供理论基础和参考。     

Two-tier architecture for unconstrained handwritten character recognition

In this paper, we propose an approach that combines the unsupervised and supervised learning techniques for unconstrained handwritten numeral recognition. This approach uses the Kohonen self-organizing neural network for data classification in the first stage and the learning vector quantization (LVQ) model in the second stage to improve classification accuracy. The combined architecture performs better than the Kohonen self-organizing map alone. In the proposed approach, the collection of centroids at different phases of training plays a vital role in the performance of the recognition system. Four experiments have been conducted and experimental results show that the collection of centroids in the middle of the training gives high performance in terms of speed and accuracy. The systems developed also resolve the confusion between handwritten numerals.     

基于YOLOv3的医药玻璃瓶缺陷检测方法

目的为了准确而快速地自动检测医药玻璃瓶的外观缺陷。方法基于YOLOv3算法,建立深度卷积神经网络学习检测模型,通过将神经网络结构浅层和深层特征向量连接并标准化,提取玻璃瓶多尺度特征信息。采用K-means聚类方式获得锚点框初始大小,提高模型对边界框预测的准确性;利用多尺度训练策略,增强模型对不同尺寸图像的鲁棒性。结果实验结果表明,提出的医药玻璃瓶缺陷检测方法能够准确检测识别玻璃瓶上的管端残损、气线、气泡、划伤、污渍和结石等缺陷种类。与主流的目标检测方法相比,提出的方法在处理速度和准确度上都有提高,缺陷目标检测精确率达到96.23%,召回率为93.82%,平均精度为89.35%。结论该方法已经在国内几家大型医药玻璃包装生产公司成功应用,显著提高了医药玻璃包装产品的质量和合格率,降低了人工成本。