基于改进YOLOv4的锂电池缺陷检测方法

针对传统方法检测锂电池表面缺陷精度低、速度慢的问题,提出一种改进的YOLOv4算法。首先,在 CSPDarknet-53 骨干网络中使用空洞卷积代替传统卷积,提高了对不同尺度缺陷的检测。其次,将通道注意力机制插入到颈部网络中,自适应地选择一维卷积核的大小,降低模型的复杂度和计算量。最后,在分类和边界框回归中融合条件卷积来提高网络性能,并扩大数据集以解决由于缺陷样本太少而导致的网络训练过拟合问题。实验结果表明,改进后的YOLOv4算法可以有效检测锂电池表面缺陷并提高对于缺陷的识别和定位能力。改进算法的平均精度均值为93.46%,相较原算法提高了3.03%。     

基于YOLOv5的轻量化交通标志检测方法

针对目前交通标志检测算法存在网络复杂度高、计算量大、边缘端部署难度高。提出一种基于YOLOv5的轻量化交通标志目标检测算法。通过增加注意力机制,使用CBAM和CA融合的方式,强化检测模型抗干扰能力;通过FPGM剪枝,对模型进行了压缩,降低计算量、提高推理速度;通过软硬件融合设计,实现YOLOv5s模型与硬件融合,形成一整套完整的移动智能交通标志目标检测系统;结果表明,增加多种注意力机制后,模型精度提高了2.8%。在极限剪枝的情况下,模型仅有0.54 MB。在Jetson Nano(20 W)的环境下,检测速度达21帧/s,满足实时的交通标志检测。     

基于ARM平台目标检测的轻量化方法

为了解决基于深度学习的目标检测算法庞大的计算量和内存占用，导致在ARM平台的边端设备上部署难度大的问题。本文提出一种基于ARM平台目标检测的轻量化方法，首次将网络中的批标准化层缩放因子和卷积层卷积核参数同时添加约束，稀疏训练后将其作为通道重要性判断的两个准则，将不重要的通道双准则剪枝；针对剪枝效果较差的层结合CBAM注意力设计轻量化结构替换；再对结构替换后的模型重新训练得到最终模型。在单目标检测和多目标检测场景，分别对改进的YOLOv5n和YOLOv5s实验，结果表明该方法在ARM设备上均优于常规轻量化方法。在人物检测场景中，对YOLOv5n优化后的模型大小仅有0.68 MB，在ARM设备上单核CPU部署时检测速度达到45 fps,完全满足实时性要求，大幅度降低边端设备部署难度和硬件成本。     

融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法

针对平板陶瓷膜表面缺陷实时检测时存在检测准确率较低的问题,本文提出了一种融合坐标注意力和自适应特征的YOLOv5陶瓷膜缺陷检测方法。通过在原有YOLOv5模型的主干网络中加入坐标注意力机制,建立位置信息和通道之间的关系,从而更准确地获取感兴趣区域。在原始网络的预测网络中融入自适应特征融合机制,提高模型对多尺度缺陷的检测能力。将空洞空间卷积池化金字塔模块替换原始网络中的空间金字塔池化模块,提高卷积核视野获取更多的有用信息。实验结果表明：本文模型平均精度为97.8%,检测帧数为32 FPS,平均精度与原始YOLOv5模型相比提高了5.5%。本文提出的模型在满足平板陶瓷膜缺陷的实时检测条件下,提高了模型的检测准确率,对推动平板陶瓷膜缺陷检测的发展具有一定的参考价值。     

基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法

随着输电线路无人机巡检工作的常态化,暴露出故障图像检测实时性、模糊目标检测精准性难以满足实际工作需求的问题。文章提出一种基于边缘计算和改进YOLOv5s算法的输电线路故障实时检测方法。以YOLOv5s为基础检测模型,基于Ghost轻量化模块重构模型获取数据特征的卷积操作过程,提高了模型的检测速度;采用基于KL散度分布的损失函数作为目标框定位损失函数,提升了模型对模糊图像检测的精度。将改进的YOLOv5s算法部署于华为Atlas 200 DK边缘模块中,对绝缘子自爆、防震锤脱落、鸟巢3类故障进行检测,其平均精度均值可达84.75%,检测速度为34 frame/s。结果表明,改进的算法在保证检测实时性的同时,能够提升对模糊故障目标图像的检测精度,满足无人机搭载边缘设备的输电线路巡检需求。     

基于改进YOLOv7的输电线路绝缘子识别检测研究

针对绝缘子目标尺寸小导致检测精度低、误检漏检率高的问题,提出一种基于YOLOv7改进的输电线路绝缘子检测模型。首先,将双支路融合通道注意力机制与主干部分的ELAN模块进行融合,强调重要的通道信息,抑制噪声等无用信息的干扰;其次,在特征融合部分加入局部自注意力机制,使得局部微小区域局部关注度增强;同时,在Neck部分融入BiFPN跨层连接,在增加部分计算量的同时,使得边缘信息得到更好的保留,更利于小目标的检测;最后,以精确度、召回率、平均精度均值等作为评价指标,对采集的数据集进行了消融实验和对比实验。实验结果表明,改进后的网络模型对输电线路绝缘子检测精度为92.1%,相比于传统的YOLOv7网络模型提高3%,并且其平均检测均值、召回率分别提高3.1%、3.6%;同时,改进的模型在各个评估指标上相比YOLOv5-ECA和Faster-R-CNN等均有显著优势,针对输电线路绝缘子检测具有良好效果。     

基于改进YOLOv5的变电站屋面工程缺陷检测算法研究

针对变电站建筑物屋面工程缺陷检测效率较低及检测精确度较差的问题,提出一种基于改进YOLOv5(you only look once version 5)的变电站屋面工程缺陷检测算法。首先,对图像进行预处理,减轻外界噪声给检测效果带来的影响。其次,在网络骨干中引入改进自注意力机制,提高计算效率,用多头自注意力层替换YOLOv5网络骨干末端的卷积层,使网络能够更好地捕捉全局关联信息。最后,在检测部分增加跨层加权级联结构,将浅层中缺陷的边缘信息、轮廓信息融入到深层特征中,提高网络对缺陷边界回归的精确度。实验结果表明,本文提出的改进YOLOv5变电站屋面工程缺陷检测算法对保温层、隔离层、隔汽层、防水层和找平层这5类工序的缺陷检测的平均精度均值达到了93.2%,每秒帧数达到163.5帧/s,解决了实际工程环境中出现的变电站屋面工程缺陷分布不均衡和目标多尺度变化的问题,对比其他同类算法拥有更好的精确度和实时性。     

基于改进YOLOv5的轻量化绝缘子缺陷检测算法

无人机巡检已经成为当下输电线路巡检的主流方式，绝缘子缺陷的检测是无人机巡检中的重要环节。因此，提出了一种基于改进YOLOv5的轻量化绝缘子缺陷检测算法。首先，使用轻量型的Ghost卷积代替普通卷积；然后，使用重复加权BiFPN（双向特征金字塔网络）替换原特征提取网络，提高网络对不同尺度的特征提取能力；最后，引入CA（坐标注意力机制）提高了主干特征提取效率。实验结果表明，绝缘子检测的平均精度值提升了1.7个百分点，模型大小减少了13.1%，改进后的算法模型在提升检测精度的同时更加轻量化，可实现绝缘子缺陷的快速检测。     

面向边缘计算平台及遥感影像的实时检测算法

针对现有目标检测算法难以满足无人机遥感中实时检测的问题,提出了一种基于ShuffleNetv2及结构化剪枝的模型压缩方法。以YOLOv5m为基础,将ShuffleNetv2模型作为YOLOv5m的主干网络,减少模型的参数量及计算量,提升模型推理速度;其次,利用ECA注意力机制替换ShuffleNetv2中的SE模块,强化主干网络的特征提取能力;再者,以FocalEIoU作为YOLOv5算法的损失函数,提升模型的回归能力;最后,利用通道剪枝算法剔除Neck结构中冗余的参数,进一步压缩模型的参数及计算量,并通过模型微调的方式提升剪枝模型的精度。实验结果表明,在相同的测试环境下,与YOLOv5m相比,本文所提出模型的参数量及浮点运算量分别降低了86.3%和80.0%,mAP@0.5和mAP@0.5:0.95达到了92%及50.4%,优于所对比的其他主流检测算法。此外,所提出的模型在AGX边缘计算平台上达到了35帧/s的检测速度,满足实时检测的要求。     

改进YOLOv4的绝缘子图像检测模型

为了满足无人机巡检过程中实时检测的需求，提出一种改进YOLOv4的绝缘子缺陷检测方法，在保证绝缘子检测精度的前提下，减小模型参数量，提升检测速度。该方法使用CSPDarknet53和MobileNetV1提取绝缘子的特征信息，对输出特征层进行堆叠处理，缩减通道数，减少模型计算量；精简路径聚合网络(path aggregation network, PANet)结构,将其中的标准卷积替换为深度可分离卷积；使用Decoupled Head替换原有预测网络；在训练过程中加入迁移学习策略和数据增强方法提高训练精度，使用绝缘子图像和视频测试网络训练效果。实验结果表明，改进后模型的绝缘子检测精度达到98.17%,同时对于单张绝缘子图像的识别速度提升5 ms。     

Pill Defect Detection Based on Improved YOLOv5s Network

To address the problems of low detection accuracy and slow speed of traditional vision in the pharmaceutical industry, a YOLOv5s-EBD defect detection algorithm: Based on YOLOv5 network, firstly, the channel attention mechanism is introduced into the network to focus the network on defects similar to the pill background, re-ducing the time-consuming scanning of invalid backgrounds; the PANet module in the network is then replaced with BiFPN for differential fusion of different features; finally, Depth-wise separable convolution is used in-stead of standard convolution to achieve the output Finally, Depth-wise separable convolution is used instead of standard convolution to achieve the output feature map requirements of standard convolution with less number of parameters and computation, and improve detection speed. the improved model is able to detect all types of defects in tablets with an accuracy of over 94% and a detection speed of 123.8 fps, which is 4.27% higher than the unimproved YOLOv5 network model with 5.2 fps.     

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。     

基于融合注意力的多尺度芯片缺陷检测算法

芯片的表面缺陷检测在半导体制造中具有重要意义,针对目前芯片表面缺陷面积小,缺陷外形多变,缺陷尺寸跨度大的情况,提出一种基于YOLOv5改进的芯片表面缺陷检测算法,首先基于ConvNext网络改进特征提取模块,提升网络稳定性和特征表达能力,同时提出增强卷积注意力模块(ehanced convolutional block attention module, E＿CBAM),将更详细的位置信息嵌入到卷积注意力(convolutional block attention module, CBAM)之中,提升整个网络对于小面积及边缘缺陷的检测能力,而针对芯片缺陷多变尺寸跨度大的问题,研究引入了可变形卷积和双向特征金字塔网络(bi-directional feature pyramid network, BiFPN),一方面可变形卷积对于外形不规则的卷积有更好的提取能力,另一方面Neck部分的BiFPN在简化结构的同时保证了多尺度融合的准确性。经过实验表明,改进后的网络在芯片表面缺陷数据集(chip defect dataset, CDD)上,平均精度均值(mAP)mAP@0.5指标达到95.3...     

基于改进YOLOv5的印刷电路板缺陷检测

为解决印刷电路板缺陷检测中缺陷类别易混淆,缺陷目标微小难以检测的问题,提出了一种改进的YOLOv5检测模型。在骨干网络引入Swin-Transformer架构,获取局部和全局信息的多尺度特征。增加一个针对小目标的预测特征层,新的多尺度特征融合和检测结构使模型学习更加全面的特征信息。使用ECIoU＿Loss作为损失函数,实现电路板缺陷检测速度和准确率协同优化。实验结果表明,改进后的YOLOv5模型在PCB Defect数据集上的平均准确率为98.7%,达到了99.7%的预测精确率和97.4%的召回率,比当前主流的检测模型性能更优越,改进后的YOLOv5模型能更有效的对电路板缺陷进行分类和定位。     

ECC-YOLO：一种改进的钢材表面缺陷检测方法

针对当前钢材表面缺陷检测效率低、检测精度差的问题,提出了一个模型,命名为ECC-YOLO,基于YOLOv7的钢材表面缺陷检测。首先,为了提高主干网络特征图信息表征能力,引入了特征增强模块ConvNeXt,通过融合深度可分离卷积、大核卷积,增强模型对细小裂缝的特征提取能力,其次设计了C2fFB模块,在增强目标特征信息的提取能力同时,显著降低了模型的计算量和参数复杂性。最后借助ECA注意力机制设计出MPCE模块,削弱复杂背景信息对钢表面缺陷检测的干扰,提升检测效率。最后,广泛的实验结果表明,ECC-YOLO在NEU-DET数据集上,该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%,该模型在钢表面缺陷检测中具有较好的综合性能。     

融合非对称卷积的遥感图像目标检测算法

遥感图像中的目标具有背景复杂、方向多变等特点。利用传统方法进行遥感图像目标检测过程复杂且费时，存在精度低，漏检率高等问题。针对以上问题，提出一种改进的YOLOv5-AC算法，该算法以YOLOv5s模型为基础，首先在原有的Backbone中构建非对称卷积结构，增强模型对翻转和旋转目标的鲁棒性；其次在主干网络的C3模块中引入坐标注意力机制提升特征提取能力，并使用Acon自适应激活函数激活；最后使用CIOU作为定位损失函数以提升模型定位精度。改进后的YOLOv5-AC模型在NWPU VHR-10和RSOD数据集上进行实验，平均精确度均值分别达到了94.0%和94.5%，分别比原版YOLOv5s提升了1.8%和2.3%，有效提高了遥感图像目标检测精确度。     

定向识别航拍绝缘子及其缺陷检测方法研究

针对现有绝缘子检测算法无法定向检测绝缘子及其缺陷的问题，提出了一种改进YOLOv5(you only look once v5,YOLOv5)算法的航拍绝缘子识别及其缺陷检测方法。通过定向标注航拍绝缘子图片，形成航拍绝缘子数据集和缺陷绝缘子数据集；在YOLOv5的主干特征提取网络引入轻量化注意力机制模块、在特征融合阶段使用改进的空间金字塔池化结构；通过改进YOLOv5网络的头部结构使其可以对绝缘子进行定向识别，并对损失函数添加角度损失分类。实验结果表明在检测时间由单张0.044 s到单张0.049 s并无显著增长的前提下，改进后的算法在测试集上的mAP(mean average precision)的值为95.00%,实现了定向识别绝缘子及其漏帽缺陷，还可应用到绝缘子视频流检测。为后续的绝缘子精确定位以及进一步故障检测打下良好基础。