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。

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。