基于改进YOLOv5l的轻量化鸭蛋裂纹检测算法

鸭蛋裂纹检测技术对于禽蛋加工工厂实现智能化蛋品检测、分级具有重要意义。该研究针对鸭蛋裂纹检测流程复杂、计算量大、模型尺寸大等问题,提出了一种基于改进YOLOv5l(you only look once version5 large)的轻量裂纹检测算法,通过在黑暗条件下使用LED灯照射鸭蛋,根据裂纹蛋壳与完好蛋壳透光性不同产生的图像差异进行检测。通过在YOLOv5中引入Ghost_conv模块,大大减少了模型的浮点计算量和参数量,并在模型的骨干网络中加入ECA(efficient channel attention)注意力机制以及使用多尺度特征融合方法 BIFPN(bi-directional feature pyramid network),增加模型对有效信息的关注度,以提高算法检测精度。同时使用CIoU与α-IoU损失函数融合后替代YOLOv5原始GIoU函数加速回归预测。利用自建的鸭蛋裂纹数据集验证改进后模型的性能,结果表明,本研究提出的改进YOLOv5l网络模型检测精准率为93.8%,与原始YOLOv5l模型相比,检测精度提高了6.3个百分点,参数量和浮点计算量分别减少了30.6%、39.4%。检测帧速率为28.954帧/s,较原始YOLOv5l模型仅下降3.824帧/s。与其他的目标检测常用网络SSD(single shot multibox detector)、YOLOv4、Faster-RCNN(faster region convolutional neural networks)相比,精度分别提高了13.1、12.5、8.2个百分点。本研究提出的方法能够在低硬件资源条件下进行高精度检测,可为实际场景应用提供解决方案和技术支持。

基于参数降阶模态的分层贝叶斯在线裂纹检测

为了保证检测的稳定性和准确性,并且有效处理参数的关联性与强非线性,提出一种基于参数降阶模态的分层贝叶斯在线裂纹检测方法。提出一种用于递归输入、状态和参数估计的分层贝叶斯滤波器,它通过使用空间不完整和噪声可以仅输出测量振动。将所寻求的参数视为具有有限个更新状态的随机变量,参数状态的动力学由改进估计策略控制,该策略能够探索参数空间并识别目标值。进一步利用参数降阶模型对所提出的方法进行裂纹识别。最后通过航空航天应用中的真实组件对提出方法进行仿真,结果显示提出方法检测准确性和稳定性较高,证明了提出方法的有效性。

工程领域裂纹检测实验方法的进展

裂纹故障是影响生产生活和设备安全运行的一大因素,裂纹检测实验对于检测技术应用和裂纹故障信息获取具有重要意义,但领域内缺乏对检测实验的系统性归纳与剖析。该文对当前代表性的裂纹检测实验方法进行了分类比较,针对裂纹信息介绍了定位、形貌和深度的检测实验,从先进传感器、数据处理与机器学习应用等3个方面探究了裂纹检测实验方法进展。最后根据国内外裂纹检测实验的研究现状,提出了在裂纹扩展方向检测、误报漏报及实验与实际工况贴近程度方面所面临的挑战,并从实时动态、远程无线和多故障耦合检测等方面进行了展望,为今后裂纹检测实验方法的研究与发展提供了参考。

基于轻量化快速卷积与双向加权特征融合网络的船舶裂纹检测

[目的]针对人工目视与超声波方法的船舶裂纹检测存在效率低下、成本高昂和危险性高的特点,提出一种基于深度学习的船舶裂纹检测方法。[方法]首先,在原模型YOLOv5s的主干网络中使用轻量化卷积结构(GSConv)替代标准卷积并融入注意力机制,在降低主干网络参数量与计算量的同时,提升主干网络对裂纹特征的提取能力;然后,在网络的颈部使用基于PConv构建的C3_Faster替代原C3模块,提升模型的图像处理速度,增强模型快速性;最后,设计一种简化的双向加权特征融合网络(BiFFN)以改进原模型YOLOv5s中的特征聚合网络,提升裂纹的语义信息与位置信息的融合效果,以及模型对裂纹的识别准确度与定位精度。[结果]通过对船舶裂纹原始数据与增强数据的学习,所提改进模型实现了94.11%的检测精度和93.50%的召回率,模型的计算量降低了17.93%,参数量降低了15.81%。[结论]研究表明,基于轻量化快速卷积与双向加权特征融合网络(MLF-YOLO)的船舶裂纹检测方法,实现了模型轻量化与较高的检测精度和召回率,结果可为开发自主无人机船舶检测提供参考。

基于改进算法YOLOv5+的混凝土轨枕裂纹检测

基于既有研究成果在对混凝土轨枕裂纹检测效率不足的基础上,提出一种改进算法YOLOv5+,主要以YOLOv5网络模型为基础,对混凝土轨枕裂纹进行高效检测。首先,采用分治标签的策略来增大裂纹在标签中的实际占比,从而解决混凝土轨枕裂纹尺度变化大的问题,使网络更利于提取有效特征;其次,将YOLOv5网络结构中SPP模块的最大池化层改为平均池化层,减少裂纹漏检的现象;同时,在YOLOv5骨干网络中嵌入SE注意力模块(Squeeze and Excitation,SE)提高对细小裂纹的检测能力;最后,结合新的检测尺度与特征融合网络,降低微小裂纹的漏检现象。实验结果表明,以YOLOv5网络模型为基础的改进算法YOLOv5+,除了召回率Recall变化不大外,精确率Precision提高6.5%,平均精度均值mAP提升8%,帧率FPS也有所提升,能够满足实时性的检测需求。

引入卷积块注意力模块的Attention U-Net木材表面裂纹检测方法

木材缺陷会影响木材的使用价值和使用期限,其中木材表面裂纹是严重影响木材外观质量和机械强度的一种木材缺陷。对木材表面裂纹的检测可以尽快发现此类缺陷木材,或为后续处理提供依据。针对现有的人工检测和自动化检测木材表面裂纹效率低、成本高、漏检率高等问题,采用引入卷积块注意力模块(convolutional block attention module,CBAM)的Attention U-Net深度学习模型对木材表面裂纹图像进行语义分割,从而达到木材表面裂纹检测的目的。引入的CBAM模块包含通道注意力机制和空间注意力机制,分别用于捕捉通道间的依赖关系和像素级的空间关系,该模块被添加到Attention U-Net网络的编码阶段,以增加感兴趣区域的权重并抑制冗余信息。最后,通过消融试验验证了Attention U-Net中加入CBAM对分割性能的提升。采用像素准确率(PA)、类别像素准确率(CPA)、召回率(Recall)、Dice系数、交并比(IoU)和平均交并比(MIoU)等语义分割评价指标评价各模型的优劣,并确定最佳模型及其参数。在自制木材表面数据集的裂纹分割中,使用AdamW优化器引入CBAM的Attention U-Net的PA、木材裂纹Recall、木材裂纹Dice系数、木材裂纹IoU、MIoU分别比使用SGD优化器的Attention U-Net原始模型提高了0.11%,4.14%,2.96%,3.58%和1.84%。结果表明,使用AdamW优化器引入CBAM的Attention U-Net能够较好地分割背景和木材表面裂纹,区分节点、表面纹理和木材裂纹,并将节点和表面纹理分割为背景。

基于超声平面波成像的钢轨螺孔裂纹检测方法研究

轨道交通在当今社会生产活动中发挥着重要作用。目前在役钢轨大量采用鱼尾板和螺栓联接的方式铺设。钢轨接头在服役过程中会频繁受到冲击载荷作用,容易诱发螺孔裂纹损伤。尽早发现螺孔裂纹,并对裂纹进行定量测量,是保障铁路运输安全,避免发生严重事故的关键。超声相控阵成像检测方法具有精度高、环境适应性强、实施方便的优点,在钢轨在役无损检测中得到了广泛的应用。然而,传统相控阵斜入射扇扫成像方法受裂纹倾斜角度的影响,在工业实践中依赖工人的主观判断和分析能力,难以实现检测的定量化与标准化。基于以上背景,本文提出了一种基于超声平面波全聚焦成像的钢轨螺孔裂纹检测方法。使用复合平面波成像方法对钢轨内部螺孔及附近区域进行高精度重建,获得裂纹伤损的初步检测图像。基于编码器信息,将多个扫查点上的初步检测图像融合,得到合成检测图像,从而覆盖不同倾斜角度的裂纹。基于主成分分析方法,对裂纹倾斜角度进行定量分析,进而借助方向最大强度投影方法,得到裂纹长度的定量检测结果。所述方法在钢轨螺孔裂纹试件检测试验中实现了对[-45°,45°]范围内裂纹的100%检出率;裂纹定位误差最大值为1.47 mm,接近1个波长;长度检测误差最大值1.17 mm,小于1个波长;裂纹角度检测误差最大5.01°。所述方法需要的设备结构简单,可集成于移动式钢轨巡检设备,具备自动化实施的能力。

基于机器视觉的轮对磁粉探伤裂纹检测方法研究

为实现火车轮对荧光磁粉探伤裂纹的自动检测,提出一种基于机器视觉的裂纹识别和测量算法。基于工业相机分区采集的轮对荧光磁粉探伤图像,首先通过G通道分离处理、G通道阈值处理和高斯滤波处理等操作,降低图像噪点,提高裂纹特征对比度;然后在图像二值化和形态学处理初步提取目标区域的基础上,提出基于连通域的裂纹特征分割算法,进一步精确提取裂纹目标,并根据连通域信息完成裂纹分类和识别;最后,采用裂纹分割图像骨架细化拟合曲线的方法进行裂纹长度测量。实验表明,提出的方法可以有效精准地对轮对裂纹进行检测,查全率为98.56%,查准率为91.12%,识别速度为每幅48.5 ms。

基于孪生网络的自监督太阳能电池板裂纹检测方法

太阳能电池板的裂纹缺陷检测能够避免电能转换效率低,以及短路造成起火的损失。针对现存对比学习方法中存在细微裂纹漏检导致检测精度低,并且严重依赖构建负样本等问题,提出了一种基于孪生网络的两阶段自监督裂纹检测方法。第1阶段提出了一种基于卷积神经网络(convolutional neural network,CNN)和Transformer的预训练编码器模型,通过孪生网络架构学习样本的精细特征表示,提高对电池板细微裂纹的特征表示能力;第2阶段基于预训练模型在少量标注样本下学习分类器以区分缺陷样本。为进一步区分不影响电池板功能的纵向裂纹,另增加了一个分类头进行判别。在ELPV数据集上的实验结果表明,方法在测试准确度方面优于其他相关检测方法,在只对数据进行少量标注的情况下准确度达到83.26%,单张检测时间为6.1 ms,同时在裂纹图像中检出纵向裂纹的召回率也有76.7%。

基于目标检测技术的主船体结构外部裂纹检测方法

设计一种基于目标检测技术的主船体结构外部裂纹自动检测模型,该模型以YOLOv5为框架,首先基于路面开裂等公开数据集中已有的各类表面裂纹样本对模型进行预训练,再利用主船体结构外部裂纹数据集进行迁移训练。最终模型在验证集上的测试情况:当交并比大于0.5时的平均精度均值为0.92,证明了使用目标检测技术检测船体结构裂纹的可行性。利用该模型对无人机、机器人所采集的实时图像开展主船体结构外部裂纹检测,可提高验船师检验效率并降低检验成本。

基于改进细化算法的裂纹检测研究

为了提高管道裂纹缺陷的检测水平,提出一种基于改进细化算法的管道裂纹检测算法,并对其有效性进行研究.首先,利用管道机器人搭载的视觉传感器获取裂纹图像,并对图像进行预处理;然后,提出基于改进的OTSU算法和骨架的长短轴算法分别进行图像分割和特征提取,计算出目标的长度、宽度和面积等几何特征;最后,对特征进行分析并检测裂纹目标.实验结果表明,与传统算法相比,本文所提算法准确率较高,能够有效计算裂纹的几何特征值并进行检测,满足管道裂纹检测的要求.

基于改进ResNet的带孔蛋胚裂纹检测方法

将病毒注入蛋胚培养疫苗时,针头冲击使注射孔周围产生裂纹导致培养失败。为解决目前人工手持照蛋器在暗室通过肉眼检测蛋胚裂纹效率低、误判率高这一问题,提出一种结合多光谱通道注意(MSCA)机制与并行堆叠拓扑(PST)模块的带孔蛋胚裂纹检测方法。首先搭建带孔蛋胚裂纹检测黑箱,采集病毒注射后带孔蛋胚的线形、网状、星形裂纹和带孔完好蛋胚图像并建立数据集;接着以ResNet-50为骨干模型,将其后4层的第一个残差模块替换为PST模块,以增加模型初期图像表达能力;最后在每个PST模块与残差模块后引入MSCA机制,MSCA机制通过二维离散余弦变换(2DDCT)压缩数据得到各通道频率分量,采用神经结构搜索(NAS)方式得到最佳频率分量,即对权重重新分配,增加裂纹特征权重比例,以确保模型快速、精准识别带孔蛋胚裂纹。结果表明,改进的网络模型对带孔蛋胚裂纹检测时间为0.42 s/枚,检测精度为96.43%,检测效率高于人工作业。与原始ResNet-50相比,检测精度提高3.66%,优于其他经典卷积网络模型,改进模型可用于疫苗培育前带孔蛋胚裂纹自动检测。

基于无源RFID标签天线转向架表面裂纹检测研究

在高速列车长期、快速行驶中,其转向架金属结构会因疲劳、应力、环境等因素影响,产生金属裂纹。为了在高速列车中的转型架金属表面实现远距离无损检测并判断是否存在裂纹,设计了一种应用在超高频频段的微带贴片型射频识别(Radio Frequency Identification,RFID)抗金属标签,配合RFID芯片,标定RFID阅读器与标签天线的位置和其发射天线的功率,当金属表面存在裂纹时标签天线谐振频率会向低频移动,并产生影响导致RFID系统识别距离的改变,从而实现金属表面裂纹检测。使用高频结构仿真(High Frequency Structure Simulator,HFSS)软件对天线结构进行优化,使其与芯片阻抗匹配,模拟了天线在金属表面存在裂纹的情况。由仿真结果可以分析得出:设计的无线有芯片微带贴片型RFID转向架表面裂纹检测标签能够有效地实现远距离监测金属表面裂纹长度、方向的变化情况。

基于轻量化深度模型的道路裂纹检测

针对传统道路裂纹检测方法存在的检测精度不高、检测速度慢、模型体积大等问题,提出一种基于轻量化深度模型的道路裂纹检测方法.该方法以改进的UNet模型为骨干网络构建道路裂纹检测模型,通过减小UNet模型中双卷积模块的通道数来降低模型的体积和计算量,采用数学形态学操作消除背景噪声干扰.实验结果表明,该道路裂纹检测方法只需利用少量样本进行训练即可获得良好的道路裂纹检测效果,并且具有检测速度快、模型体积小(7.45 MB)的特点,方便在移动设备上部署和应用.

基于YOLOv5的行李运输系统轮对裂纹检测算法

为了检测机场行李运输系统中轮对存在的裂纹,提出了一种基于YOLOv5的机场行李运输系统轮对裂纹检测方法。该方法针对裂纹细小、密集等特点采取了以下措施:在YOLOv5网络的Head部分使用SIoU替换了原有的CIoU;在Backbone部分加入了SE注意力机制;在Neck部分引入了Swin-Transformer模块;在整个YOLOv5网络中使用SPD-Conv替代了传统的Conv卷积模块;在图像的预处理方面,使用了图像分割与子图反向拼接技术。通过这些改进,有效地改善了YOLOv5对于细小、密集裂纹的特征提取能力,相较于传统的YOLOv5算法,裂纹检测的能力得到了有效提升。

车用氧传感器失效案例分析及微裂纹检测方法研究

为解决陶瓷片芯内部产生微裂纹而导致传感器总成失效的问题,研究分析了一种简单且无损检测陶瓷片芯微裂纹的方法,该方法利用酒精对陶瓷良好的浸润性,可填充到裂纹中间,利用酒精与空气电导率的差异,通过检测陶瓷片芯电流的变化快速判断片芯内部是否出现微裂纹;将该方法应用于某车型前氧传感器失效案例分析,采用光学显微镜和高精度CT进一步证明了微裂纹的产生及原因;结果表明,酒精检测法可准确判断陶瓷片芯内部产生微裂纹,裂纹产生的原因是加热器电压过高,内部热应力不均匀导致加热器电极与片芯主体脱离,进而导致片芯内部产生微裂纹。

公路工程沥青路面裂纹检测技术

公路工程沥青路面裂纹检测过程中,常规的裂纹检测方法耗时耗力,同时检测精度有不够准确。因此,为提升公路沥青路面裂纹检测精度与效率,为公路沥青路面修复工程开展奠定技术参考。以探地雷达技术为例开展分析,深入探究公路沥青路面裂纹检测探地雷达技术的运用方法。分析结果表明:探地雷达技术作为一种非接触式的检测技术,通过向地下发送无线电波,利用反射信号来识别地下目标。在公路工程沥青路面裂纹检中,探地雷达技术用于沥青路面裂纹快速、准确检测。相比传统方法探地雷达技术有检测速度快、操作简便、数据可视化等优势能够大大提高裂纹检测效率、精度。

基于机器视觉与深度学习的飞机防护栅裂纹检测系统

针对传统飞机防护栅裂纹检测中存在的效率低、可靠性差等问题,基于机器视觉技术设计一种飞机防护栅裂纹检测装置,并结合图像处理技术与深度学习原理提出一种飞机防护栅裂纹检测算法。设计飞机防护栅裂纹检测系统,研究防护栅裂纹图像识别算法。采集并整理飞机防护栅裂缝图像,研究并制作飞机防护栅裂纹检测数据集;分别以ZF-Net、VGG-16和ResNet-101卷积神经网络作为Faster-RCNN特征提取网络,开展飞机防护栅表面裂纹和缺陷裂纹检测研究。实验结果表明:3种模型均达到了良好的检测精度,其检测精度分别为92.79%、95.12%和97.54%,其中ResNet-101网络检测效果最好,相比于现有的防护栅裂纹机器视觉检测方法,漏检率和虚警率分别下降了22.54%和89.28%,检出率提高了22.54%;ResNet-101网络在不同光照条件下仍有较高的检测精度,检测装置和检测算法有效,可为飞机防护栅的检测提供了新方法。

基于HALCON的墙面裂纹检测方法研究

针对传统人工在墙体表面裂纹检测中存在效率低、误差大的问题,设计了一种动态阈值检测和形态学综合算法,并利用HALCON软件分析其可靠性。该方法采用自适应阈值分割选取图像中亮色区域或者暗色区域,达到分离目标区域和背景的目的,对目标区域进行特征提取并对其进行膨胀腐蚀运算,实现对细小的裂纹的连接和进一步优化。实验结果表明,该方法检测一幅图像所用时间约0.35 s,产生的面积误差为0.6%,宽度误差为0.4%,优于Roberts、Sobel、Kirsch和LoG等传统边缘检测算子,可有效地应用于墙面裂纹检测。

改进YOLOX的跨座式单轨PC轨道梁面裂纹检测算法

PC轨道梁作为跨座式单轨交通系统的重要组成部分,其表面裂纹缺陷会直接威胁整个交通线的运营安全。针对传统PC轨道梁面裂纹检测精度低、效率低等问题,提出一种基于改进YOLOX的轨道梁面裂纹检测方法。该方法通过在加强空间特征提取网络中使用Ghost轻量化卷积提取目标特征,以降低模型计算复杂度;将自适应特征融合(adaptively spatial feature fusion,ASFF)模块嵌入特征融合层,让模型自适应学习各个特征层间的联系,加强网络对裂纹区域的重视程度;使用双三次插值法进行上采样,进一步提升网络检测性能。实验结果表明,改进后模型相较于原基准模型平均检测精度提升4.40%,在参数量上比原模型下降25.08%,每秒检测裂纹图像数量为119帧,说明模型在准确性和实时性方面符合实际工程需求。