改进YOLOv5的镜头固定槽表面缺陷检测

针对手机镜头固定槽表面缺陷过小导致自动化质检平台难以检测的问题，提出改进YOLOv5的镜头固定槽表面缺陷检测算法实现。在图片预处理阶段使用有效的数据增强策略来平衡不同类别样本的分布；在FPN中添加融合因子控制特征图融合时深层传递到浅层的信息，得到含有更多小目标信息的多尺度特征图；使用K-means算法得到更适合本数据集的先验框数量和大小。通过采集的镜头固定槽表面缺陷数据集评估本算法的性能，并和基线算法YOLOv5进行对比分析。实验结果表明，改进的算法对小目标缺陷拥有更好的检测效果，并且对各类缺陷均能实现准确分类定位，平均精度均值（mAP）达到92.70%，满足智能制造自动化生产的需求。     

基于优化Faster R-CNN算法的金属板材表面缺陷检测

传统的图像处理方法对生产过程中各种金属板材表面缺陷检测效率低,难以满足工业生产的需求。为了提高金属板材表面缺陷检测的精度,文章提出了一种基于优化Faster R-CNN算法的金属板材表面缺陷检测方法,以残差网络ResNet50作为主干特征提取网络。首先,融合特征金字塔网络和可变形卷积网络以提高对小目标和不规则性缺陷的检测能力。然后,采用RoI Align和K-means++聚类算法对候选框进行优化,实现缺陷的精准定位。最后,将提出的模型运用在NEU-DET数据集中进行多次实验。实验结果表明,优化后的Faster R-CNN算法在此数据集上的mAP为78.7%,与原始网络相比提高了7.7%,并且其检测性能优于SSD、YOLOv5s和YOLOv7三类目标检测算法。     

基于改进YOLOv5的PCB板表面缺陷检测北大核心CSCD

针对当前PCB板检测参数量庞大、检测精度低等问题,提出了一种改进YOLOv5的检测模型。以YOLOv5模型为框架,采用EfficientNetV2结构替换原始模型的主干网络,针对小目标缺陷,引入对空间信息更敏感的CA注意力机制,并采用α-IoU损失函数提高模型回归精度。实验结果表明:改进后的YOLOv5网络模型较原始网络均值平均精度提高了2.6%,参数量减少47%,可应用在小型工业检测设备中。     

基于改进YOLOv5s的铝材表面缺陷检测方法

针对目前铝材表面缺陷检测算法在实际工程应用中检测精度低以及不够轻量化难以部署等问题,文章提出一种基于改进YOLOv5s的铝材表面缺陷检测方法。该算法以经典YOLOv5s模型为基础,将ShufflenNetV2-Block算法融合到主干网络backbone中,降低模型的计算复杂性;然后添加SE注意力机制,使注意力集中于缺陷相关区域,更好地区分类别之间的差异,提高分类性能和检测效率;最后优化损失函数,采用SIoU(S-intersection over union)替代CIoU,提升网络定位精度。结果表明：针孔类和斑点类缺陷检测精度比原版YOLOv5分别提升了8.3%和8.4%,mAP值提高了6.4%,提高了缺陷检测精度且降低了模型的大小和所占内存,更加便于移动端部署,有效改善了制造过程中漏检问题。     

ViT 和注意力融合的类别不均衡 PCB 缺陷检测方法

针对实际环境下印刷电路板(PCB)缺陷样本难以收集造成的数据长尾分布和检测精度低以及 ViT 用于检测时计算 复杂度高等问题,提出多尺度 ViT 特征提取和注意力特征融合的端到端 PCB 缺陷检测算法。 首先结合 ViT 和部分卷积构建 多尺度特征提取网络,利用层级多头注意力对不同尺度的特征图执行自适应的注意力操作,使网络能够更好地捕捉局部和 全局信息进而增强其特征提取能力,部分卷积可以降低计算开销。 其次,基于能量空域抑制的无参数注意力机制将多尺度 特征有效融合,提升网络融合特征图的表达能力。 最后,引入对类别不均衡敏感的分类函数对网络的损失函数进行改进,增 强网络对类别不平衡数据的拟合程度,提高网络的泛化能力。 在 3 种不同类型的公开 PCB 数据集上的实验结果表明,所提 出的检测算法在 PCB 表面缺陷数据集的平均精度均值(mAP)均有提升,分别为 99. 13% 、98. 67% ,99. 82% ;在类别不均衡的 PCB 缺陷检测任务上,相较于改进前方法,mAP 提升了 11. 94% ,网络检测速度达到 25 FPS,为 PCB 缺陷的检测提供了一种 快速、有效的方法。     

基于改进YOLOv5的酒瓶缺陷检测方法研究

由于酒瓶产品缺陷多样以及产品缺陷较小,使用了YOLOv5作为基础框架来设计算法。对YOLOv5进行了深入研究,发现虽然空间池化金字塔（Spatial Pyramid Pooling,SPP）在多尺度检测中优化了计算量和减少了数据量。但是,在某些情况下,空间金字塔池化会出现信息丢失的问题,影响了检测精度。为此,提出一种将空间池化金字塔改进为空洞空间池化金字塔（Atrous Spatial Pyramid Pooling,ASPP）。ASPP可以对不同尺度的特征图进行并行池化,从而综合多尺度特征信息,获得更全面、更准确的特征表示。将SPP算法改进为ASPP算法后,在酒瓶缺陷数据集上进行了实验。实验结果证明改进后的YOLOv5算法在酒瓶缺陷检测精度上提升4%,mAP@0.5提升了2%,mAP@0.5:0.95提升了1.5%。     

基于改进 YOLOv4 算法的 PCB 缺陷检测研究

针对现用PCB缺陷检测方法存在效率低、误检率高、通用性低、实时性差等问题,提出基于改进YOLOv4算法的PCB缺陷检测方法。使用改进二分K-means聚类结合交并比(IoU)损失函数确定锚框,解决预设锚框不适用PCB小目标缺陷检测的问题。引用MobileNetV3作为特征提取网络,提升对PCB小目标缺陷的检测性能,同时方便部署在现场轻量化移动端。引入Inceptionv3作为检测网络,利用多种卷积核进行运算满足PCB缺陷多类别的检测要求。以PCB_DATASET数据集为测试对象,将本文方法与Faster R-CNN、YOLOv4、MobileNetV3-YOLOv4等开展对比验证实验。结果表明,本文方法均值平均精度(mAP)为99.10%,模型大小为53.2 MB,检测速度为43.01 FPS,检测mAP分别提升4.88%、0.05%、2.01%,模型大小分别减少0、203.2、3.3 MB,检测速度分别提升29.93、6.37、0.79 FPS,满足PCB工业生产现场高检测精度和检测速度要求。     

多尺度YOLOv5的太阳能电池缺陷检测

为了实现电致发光（Electroluminescent,EL）条件下太阳能电池的高精度裂纹和碎片缺陷检测，将多尺度YOLOv5(You Only Look Once version 5)模型用于真实工况下的太阳能电池缺陷检测。首先，提出一种融合可变形卷积（Deformable Convolutional Networks Version 2,DCNv2）和坐标注意力（Coordinate Attention,CA）的改进特征提取网络，拓宽小目标缺陷的感受野，有效增强小尺度缺陷特征的提取。其次，提出一种名为CA-PANet的改进路径聚合网络（Path Aggregation Network,PANet），将CA与跨层级联整合在路径增强结构中，实现浅层特征的复用，使深层特征和浅层特征结合，增强不同尺度缺陷的特征融合，提高缺陷的特征表达能力，提升缺陷检测框的准确度。轻量级CA的计算成本低，保证了模型的实时性。实验结果表明，融合DCNv2与CA注意力的YOLOv5模型平均精度均值（Mean Average Precision, mAP）值可达95.4%，较YOLOv5模型提高3%，较YOLOX...     

基于BCGS-YOLOv7 tiny的零件表面微小缺陷检测

为了解决零件表面众多形态复杂的微小缺陷检测效率低与检测精度不高的问题,选择以YOLOv7-tiny网络为基础架构进行改进,提出了BCGS-YOLOv7 tiny检测网络。特征提取阶段增加CBAM注意力机制,并用SPD-Conv下采样层代替跨步卷积和最大池化层,增强对小目标的特征提取能力;特征融合阶段将路径聚合特征金字塔（PAFPN）网络替换为BPANet网络结构,并引入gnCSP模块和SPD-Conv下采样层,改善小目标的特征融合能力。在重组的GC10-DET数据集上实验结果表明,BCGS-YOLOv7 tiny检测网络平均精度（mAP）达到91.6%,比原YOLOv7-tiny网络提高了6.0%。同时对零件表面各类微小缺陷的检测精度均有大幅提升。     

基于轻量化YOLOv4的轮毂内部缺陷检测算法

为解决常规深度学习方法检测轮毂内部缺陷存在模型尺寸大、参数多和精度低等问题,提出一种轻量化YOLOv4的轮毂内部缺陷检测算法。该算法采用MobileNetV3替换YOLOv4的主干特征提取网络,并利用深度可分离卷积模块对YOLOv4的PANet(path aggregation network)模块中的传统卷积进行了替换。同时,在PANet特征加强网络中加入通道注意力机制(SE)模块,提高了轮毂内部缺陷目标的识别精度。测试结果表明,所提算法检测精度为90.23%,权值文件为45.2 MB,检测速率为68.38帧/s。相较于常规模型性能有所提升,更适用于轮毂内部缺陷的快速、准确检测。     

基于改进YOLOv4算法的结构用锯材表面缺陷检测研究

针对木结构用锯材表面缺陷人工检测效率低下、精度低等问题。提出了一种改进的YOLOv4算法用于结构用锯材表面缺陷检测研究，在原YOLOv4算法基础上加入了自适应特征融合模块（AdaptivelySpatial FeatureFusion,ASFF），解决了不同特征尺度间的不一致性。为了验证算法的有效性，论文分别采用YOLOv3、YOLOv4及改进的YOLOv4算法对1052张结构用锯材表面缺陷样本图像进行对比测试。结果表明，与YOLOv3、YOLOv4算法相比，改进的YOLOv4算法平均测试精度均值分别提高了2.36%和19.9%，对单张含有不同大小目标的图片检测结果提高了13%。     

强化空间感知的多尺度芯片表面缺陷检测算法

在检测芯片表面缺陷时,多尺度和不规则形变的缺陷导致模型难以精准定位并正确聚类,为此,提出一种改进YOLOv5网络的芯片表面缺陷检测框架。利用基于边缘信息的数据增强策略,降低芯片走线的背景纹理,增强不规则边缘的输入特征;提出多尺度空间感知池化层MSSPP(multi-scale spatial perception pooling layer)强化网络对多尺度目标的空间定位能力和高维特征提取能力;引入ConvNext模块和RFB模块优化网络检测性能、丰富模型的感受野;最后,通过难分样本重检策略过滤错误目标、重检混淆目标,提高模型的识别精度。实验结果表明：相较于典型的目标检测算法,提出算法的识别精度更高、鲁棒性更强。在芯片表面缺陷数据集上,mAP0.5指标达到95.5%,可为芯片表面质检任务提供高精度的缺陷检测方案。     

基于改进YOLOv8的交通标志检测算法

目前交通标志检测在自动驾驶和辅助驾驶等智能驾驶中扮演着重要的角色,其性能的好坏影响着车辆行驶的安全。针对交通标志图像背景复杂和检测目标小等问题,提出了一种基于改进YOLOv8的交通标志检测算法。首先使用全局注意力模块,通过引入空间注意力和通道注意力机制,对输入特征图进行全局关注,有效捕捉输入特征图的全局上下文信息,对特征图在通道和空间维度上进行加权,使模型能够更加关注图像中的交通标志,避免干扰信息的影响,提高网络检测精度;其次引入幻影卷积替换原网络中的普通卷积,减小网络模型体积的同时提高模型的检测速度;最后增加一个小目标检测层,保留特征图更多浅层细节信息,提高网络对小尺寸交通标志的检测能力。实验结果表明,改进后的算法在精确率、召回率和平均精确率上相比于原算法分别提升2.6%、1.1%和1.5%,检测速度满足实时性要求。     

基于改进YOLOv4的航空发动机损伤检测方法

针对现有目标检测模型参数量大、检测速度慢,难以适应航空发动机孔探检测轻量化应用需求的问题,提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构,在YOLOv4的颈部结构(Neck)中,将普通卷积重构为逐通道卷积和逐点卷积的形式,有效减少了网络中的冗余参数;为进一步降低模型参数量,使用MobileNetv3作为特征提取网络。在减少参数量的同时,2种轻量化改进方法有效提高了模型的检测速度;在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明,改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比,改进YOLOv4算法以3.55%的mAP损失,使模型参数量降低了约2/3,检测速度提高了1....     

改进YOLOv5的矿用输送带损伤检测方法

文中针对目前输送带损伤检测大多是输送带撕裂且缺乏其他损伤类型研究的问题,提出一种改进YOLOv5的矿用输送带损伤检测方法。将SPD-Conv模块替换Conv模块中的卷积层,提升小目标的检测效果;在骨干特征网络与最后预测网络之前引入CBAM注意力机制,对重要的特征通道进行强化;最后,在YOLOv5的基础上引入高斯滤波器消除噪声干扰,提升算法目标检测效率。试验结果表明：改进后的YOLOv5目标检测网络在对输送带的撕裂、击穿、表面划伤、破损4种损伤类型的检测平均精度均值达92.3%,相较于YOLOv5算法提高了35.1%,检测速度达90帧/s,提高了20%,实现了对矿用输送带损伤的快速识别。     

基于YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法

针对岸边集装箱桥式起重机钢丝绳传统监测方式存在着故障识别率低的问题,提出了一种基于改进YOLOv5的岸边集装箱桥式起重机钢丝绳损伤检测方法。首先,在骨干特征提取网络部分引入注意力机制CBAM,对重要的特征通道进行强化;其次,选用损失函数EIOU对训练模型进行优化;最后替换原YOLOv5算法使用的加权NMS算法,提高边框的位置精度。实验结果表明,改进后的YOLOv5目标检测网络在钢丝绳损伤数据集上对断丝、磨损、畸变3种损伤类型的平均精度均值达90.3%,比原始的YOLOv5算法提高了3%,检测效果更优,实现了对钢丝绳更快速的识别,为今后开发岸边集装箱桥式起重机钢丝绳在线监测系统提供了一定的理论基础。     

基于改进级联Faster RCNN的PCB表面缺陷检测算法北大核心CSCD

针对印制电路板(PCB)存在缺陷的多样性、复杂性以及微小性的问题,文中基于Faster RCNN架构的PCB微小缺陷改进检测模型,首先通过RPN网络产生ROI,为能尽量获得各类维度特征,使用多层卷积。为满足PCB缺陷检测要求,将优化后ROI-Pooling层提取ROI特征,为能更好地在ROI区域分类和回归采取双全连接层的方式。为增强对多尺度和不规则缺陷特征的模仿能力和提升检测模型适用性,添加了过滤特征的金字塔网络。消融实验对比测试结果表明:改进后的检测模型对包括缺失孔、鼠咬伤、开路、短路、杂散、伪铜等缺陷能精确识别。文中模型检测平均分类精度达98.91%,mAP指标达到78.21%,可满足对PCB的有效识别,在工业上具有较强的实用性。     

改进YOLOv5的无人机影像道路目标检测算法（英文）

针对无人机影像中道路小目标漏检和目标之间遮挡导致的目标检测精度低、鲁棒性差等问题,提出一种多尺度融合卷积注意力模块（Convolutional block attention module, CBAM）的YOLOv5道路目标检测算法,即YOLOv5s-FCC。首先,引入小目标感知层对模型进行多尺度改进,增加一个针对小目标的YOLO检测头以提高网络对道路中小目标的特征提取能力。其次,利用CBAM融合空间和通道信息以增强网络中的重要信息,通过将CBAM引入Backbone主干网络不同位置,以获得CBAM最佳融合位置。最后,采用CIo U作为损失函数,以提高边界框预测所需的计算速度和精度。在自建的无人机道路目标数据集上进行训练,结果表明,相较YOLOv5算法,YOLOv5-FCC算法可将mAP50和mAP50-95分别提高2.0%和4.2%。在VisDrone数据集上也验证了YOLOv5-FCC算法的有效性,并建立了基于无人机的道路目标检测系统,实现道路目标的自动检测。     

基于多尺度特征的YOLOv5铸件自动检测算法研究

针对铸件检测存在精度不够高和易漏检、误检等问题,提出一种基于多尺度特征的YOLOv5铸件自动检测算法。该算法使用双目相机采集铸件图像,并构建铸件图像数据集;为提取更全面的铸件特征,采用多尺度特征融合模块,增加一个检测层检测不同尺度的铸件;为获取更多细节特征,在特征金字塔网络中嵌入卷积注意力机制（CBAM）,以提高铸件图像关键特征的提取能力;同时用Hardswish替换卷积层中的SiLU激活函数来减少模型参数量。实验结果表明,该算法检测m AP值达到了96.5%,较原YOLOv5算法提升了2.6%,能实现铸件自动检测对检测精度及实时性的要求。     

基于YOLOv5s的丁腈手套缺陷检测方法

为实现丁腈手套缺陷的自动检测，提出一种基于YOLOv5s网络的识别方法。首先根据COCO数据集格式构建自制数据集，然后利用自制数据集对网络进行训练，最后使用工业相机采集的图片对训练好的YOLOv5s网络进行测试。实验结果表明基于YOLOv5s网络的陷检测模型对手套缺陷检测准确率为95.43%，检测精度为97.26%，检测速度为111.35fps。该方法可以满足生产线上丁腈手套缺陷检测的准确性和实时性需求。