针对工业现场铜制螺纹零件外表面缺陷检测效率低和精度差的问题,提出一种融合多尺度特征与注意力的U型网络(Multi-Scale Features and Attention Fused UNet,MFA-UNet)模型的铜制螺纹零件外表面缺陷检测算法。首先,设计一种双路下采样模...针对工业现场铜制螺纹零件外表面缺陷检测效率低和精度差的问题,提出一种融合多尺度特征与注意力的U型网络(Multi-Scale Features and Attention Fused UNet,MFA-UNet)模型的铜制螺纹零件外表面缺陷检测算法。首先,设计一种双路下采样模块,并行使用普通卷积和空洞卷积提升模型的特征提取能力;其次,在跳跃连接部分加入复合空间注意力模块,增强分割模型对空间信息和边缘信息的提取能力;然后,在上采样过程中加入压缩激励模块,提高模型的表达能力和特征选择能力;最后,提出一种相似度对比算法,比较分割图像和掩码图像的相似度,得到缺陷检测结果。实验表明,所提分割模型在铜制螺纹零件缺陷检测数据集上PA指标达到94.81%,MIoU指标达到93.78%;所提算法缺陷检测准确率达到98.9%,满足工业现场的使用需求。展开更多
文摘针对工业现场铜制螺纹零件外表面缺陷检测效率低和精度差的问题,提出一种融合多尺度特征与注意力的U型网络(Multi-Scale Features and Attention Fused UNet,MFA-UNet)模型的铜制螺纹零件外表面缺陷检测算法。首先,设计一种双路下采样模块,并行使用普通卷积和空洞卷积提升模型的特征提取能力;其次,在跳跃连接部分加入复合空间注意力模块,增强分割模型对空间信息和边缘信息的提取能力;然后,在上采样过程中加入压缩激励模块,提高模型的表达能力和特征选择能力;最后,提出一种相似度对比算法,比较分割图像和掩码图像的相似度,得到缺陷检测结果。实验表明,所提分割模型在铜制螺纹零件缺陷检测数据集上PA指标达到94.81%,MIoU指标达到93.78%;所提算法缺陷检测准确率达到98.9%,满足工业现场的使用需求。
文摘针对基于机器视觉的小型机械零件识别速度慢、定位不精确等问题,文章提出一种改进UNet(improve U-Net,IU-Net)和最小外接矩阵(minimum bounding rectangle,MBR)结合的小型机械零件识别和定位方法(IU-Net-MBR)。首先,搭建视觉分拣试验平台,制作小型机械零件数据集;其次,为了提高特征提取效率,将U-Net的特征提取网络替换成轻量级MobilenetV2网络,降低模型的参数和计算量;然后,为了提高U-Net的分割精度和鲁棒性,在网络结构中引入SE(squeeze and excitation)注意力模块;最后,使用最小外接矩阵得到零件的长宽基本参数,实现零件的识别和定位。试验表明,IU-Net相对于U-Net在平均交并比Miou(mean intersection over union)和像素准确率PA(pixel accuracy)分别提高4.39%和3.82%。在处理图像时,IU-Net相对于U-Net速度提升76.92%。与主流分割模型相比,IU-Net实现了更好的分割效果,有效地提高了小型机械零件的分割精度。在抓取试验中,IU-Net-MBR在识别率和抓取率上分别达到了100%和96.67%。
