基于改进MobileNetV3的PCB裸板缺陷检测

为解决传统PCB裸板缺陷检测效率低、误检率高、通用性差等问题,提出一种基于改进MobileNetV3的PCB表面缺陷检测模型。首先对PCB数据集进行预处理,然后采用多方向协调注意力代替原网络中的挤压和激励注意力模块,提升特征定位精度从而增强感受野;最后利用软池化优化MobileNetV3的末端结构,以在简化后的激活映射中保留更多的特征信息。实验结果证明,提出的模型对PCB裸板缺陷检测的平均准确率可达96.1%,图片平均检测速度为25.1 ms,能够高效识别PCB裸板的多种缺陷类型,对工业生产中PCB裸板的质量检测有实际应用价值。

基于改进YOLOv5的太阳能电池片表面缺陷检测

针对传统视觉方法的太阳能电池片表面缺陷检测效率低、种类少的问题,提出一种能高效识别太阳能电池片表面多种缺陷的神经网络模型。首先在YOLOv5模型输入端改进了一种动态反馈多尺度训练的数据增强方法以提高特征训练精度;然后采用指数线性单元激活函数ELU替换主干网络中的激活函数,加快训练速度;最后通过一种聚焦的高效交叉联合损失函数优化边界框损失。试验结果表明,改进的模型能对太阳能电池片的多种表面缺陷进行有效识别,检测精度较高,耗时较少,对太阳能电池片表面质量规范有实际应用价值。

基于YOLOv5的瓷砖表面缺陷检测

目的针对目前的瓷砖表面人工缺陷检测效率低的问题,提出一种基于深度学习YOLOv5算法实现对生产线瓷砖表面缺陷的检测。方法首先对数据集进行切图分割与数据增强处理,再通过labelimg对数据集进行数据标注,然后将数据集送入到优化后的YOLOv5网络模型进行迭代训练,并将最优权重用于测试。结果通过实验对比,YOLOv5模型的检测准确率高于Faster RCNN、SSD、YOLOv4这3种模型,其检测平均准确度高于96%,平均检测时间为14 ms。结论表明该方法能够检测生产过程中的瓷砖缺陷问题,在瓷砖缺陷检测上有一定的先进性和实用性。

基于改进YOLOv4的电力高空作业安全带检测

为了让电力工作人员在电力作业中采取规范的防护措施,提出了一种基于改进YOLOv4的电力高空作业识别及安全带佩戴检测算法。首先,该算法采用MobileNetv2作为主干提取网络,在保证较好的特征提取效果同时降低了网络的参数量,提高模型的识别速度;然后使用K-means聚类算法对数据集中的目标边框重新聚类,并调整空间金字塔池化结构,提高模型的检测精度;最后使用Soft-NMS算法替换原NMS算法降低目标的漏检率。实验结果表明,改进YOLOv4网络模型比原YOLOv4模型mAP提高3.2%,检测速度提高30fps,模型的训练权重大小压缩4.16倍,算法在高空作业安全带检测上具有很强的实用性和高效性。

一种EfficientNet网络下雾天道路能见度估测方法

针对传统的激光雷达能见度仪对雾天能见度检测存在成本高和覆盖率低的问题,提出一种EfficientNet网络模型对道路摄像头拍摄雾天图像进行能见度实时估测的方法。该方法首次将EfficientNet网络应用于雾天道路能见度的估测。首先对道路摄像头拍摄的雾天视频进行定时抽帧采集图像,然后在深度学习框架下使用优化的EfficientNet深度学习网络进行训练分类,最后用训练好的网络对验证集进行检验。实验结果显示,EfficientNet分类网络对能见度分类的平均准确率达96%,平均准确率高于VGG16、Darknet53、ResNet50对照网络,能够实现大雾天气下道路能见度的估测。

面向无人机巡检的农村输电线螺栓锈蚀检测

针对农村地区输电线路螺栓锈蚀情况严重且不易检测的问题,提出一种利用深度学习目标检测网络的螺栓锈蚀检测方法,首先自制无人机图像数据集,然后利用二阶微分锐化和暗通道去雾对螺栓图像进行锐化和去雾处理,最后使用YOLOv5网络模型进行数据集的训练与测试,相比其他网络模型检测精度更高,其平均精度均值达93.6%。结果表明,所提方法能够有效实现无人机巡检图像中螺栓部件的识别与锈蚀检测。