基于改进YOLOv4的铝材表面缺陷检测方法

针对铝材表面缺陷检测精度不高,容易漏检的问题,提出基于改进YOLOv4的缺陷检测方法。在CSPResblock模块中引入注意力机制SE模块,赋予各个通道相应的权重,加强网络对于重要信息的训练,提升网络的特征提取能力;改进SPP模块,使用不同宽高比的池化核,有利于保留更多的短边信息,提高网络对大宽高比缺陷的检测能力;对PANet结构进行改进,在对应特征层级上拼接输入信息,主要融合主干网络的三层输出,获得更多较浅的特征信息,提升对小目标的检测能力;实验结果表明,改进后的YOLOv4算法在铝材表面缺陷数据集上的精度(mAP)达79.27%,优于其他常见目标检测算法。

基于改进YOLOv4算法的PCB缺陷检测

现有印刷电路板(PCB)缺陷检测方法,多采用参考法进行检测,对图片配准要求高,不仅耗时且定位误差大。YOLOv4速度快,精度高,但应用在PCB检测上存在着漏检的情况,对小目标检测效果不佳,现提出了一种基于改进YOLOv4算法的PCB缺陷检测方法。首先,以CSPDarknet53为主干网络,采用单特征层结构,避免了数据不均衡带来的先验框分配问题。然后,将网络中的5次卷积改进为CSP结构的残差单元,进一步提高特征提取能力。最后,采取K-means++对先验框重新进行聚类,提高模型训练效果。实验部分采取北京大学发布的PCB数据集进行训练,结果表明,改进后的算法平均精度均值(mAP)达到98.71%,在精度上优于其他常见的目标检测算法。