一种改进YOLOv5模型的PCB板缺陷检测方法

针对传统PCB板检测方法中检测效率不高,检测精度较低等缺点,提出了一种改进YOLOv5模型的PCB板缺陷检测方法。为提升小目标缺陷检测精度,构建了基于BiFPN的网络连接方式,更加充分地利用了不同尺度的特征信息;为了更好地捕捉目标缺陷的位置,引入了Coordinate Attention注意力机制,使模型的定位和目标捕捉更加精准。实验结果表明,较原始的YOLOv5模型,所提出的针对PCB板表面缺陷检测方法的均值平均精度提高了3.2%。

基于改进YOLOv5的小龙虾品质检测方法

小龙虾质量检测是其生产加工中的重要环节,针对当前目标检测模型在不同数据集上存在拟合性能不佳、冗余错误等问题,提出了一种基于改进YOLOv5网络的小龙虾质量检测方法。首先在主干网络采用DP-Conv卷积改进CNN卷积,利用高维过度参数化提高拟合效果和检测速度。其次在残差块Res_unit中嵌入SENet模块加强上下文的语义联系,减少冗余信息的干扰。最后设计一种小龙虾数据采集方法。与3种目标检测算法实验对比,结果表明,改进后的算法检测精度达到97%,速度为60帧/s,模型性能优于其他3种算法,具有高检测精度和高速度的应用效果。

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。

基于轻量化人工神经网络的PCB板缺陷检测

PCB板表面缺陷检测是其生产中重要的环节,针对当前目标检测模型在小型工业计算平台参数多,内存负荷大等问题,提出了一种轻量化YOLOv5的检测模型。首先在主干网络采用ShuffleNetV2结构取代Conv与C3结构;其次在FPN模块加入CEM和AM模块,解决特征提取中分辨率与感受野不合的问题。最后使用PReLU激活函数代替ReLU,防止神经元崩坏。实验结果表明,改进的算法参数减少91%,每s浮点运算次数减少70%,检测精度达到95%,能够在小型计算平台完成快速精确的PCB板表面缺陷检测。

一种改进Faster R-CNN的太阳能电池片缺陷检测方法

针对传统太阳能电池片检测方法中检测时间过长,检测精度不高等缺点,提出了一种改进Faster R-CNN的太阳能电池片缺陷检测方法。以Faster R-CNN为框架,以ResNet50为网络主干,针对小目标缺陷,融入了基于FPN的多尺度检测网络,并应用了GA-RPN结构,实现对太阳能电池片缺陷的检测。实验结果表明,较原始的Faster R-CNN算法,所提出的针对太阳能电池片表面缺陷检测方法的均值平均精度提高了6%,检测时间也有所提升。

目前国营汽运企业的问题及其思考

一目前国营企业存在的主要问题是,没有适时建立起适应有计划商品经济宏观体制的企业经营管理体制。由于企业经营管理体制的综合性改革的滞后,使国营企业微观经济体制的发展出现“中断”趋向。

一个管理效益型企业的成功之路——孝感市装卸运输二公司在改革的道路上奋进

7000平方米平整宽阔的水泥场上,分东西两列整齐地停放着汽车和铲车。50多部兰灰色的东风140、5部柠檬色的铲车,列成一个巨大的方阵,纵看成列、横看成行。走近这钢铁的方阵,你会领略到一种现代经济产业的构图与线条的美。这威武的阵势显示了湖北省孝感市装卸运输二公司的装备水平,也蕴含着它的生产管理水平。