Effect of single point defects on the confinement losses of air-guiding photonic bandgap fibers

The confinement losses in air-guiding photonic bandgap fibers （PBGFs） with air hole missing are studied with the full-vector finite-element method. It is confirmed that there are two loss peaks （1.555 and 1.598 μm） if there is a hole missing in the cladding far from the core. The closer to the core the hole missing is, the larger the confinement losses are, and even no mode could propagate in the core. The main power of the fundamental mode leaks from the core to the cladding defect. The quality of PBGFs can be improved through controlling the number and position of defects.

IDD-YOLOv7:一种用于输电线路绝缘子多缺陷的轻量化检测方法

YOLO目标检测算法是当前基于图像的输电线路绝缘子缺陷检测的主流方法,然而现有模型复杂度较大,亟需合理有效的参数压缩方法作为前提条件,来为解决无人机边缘设备部署的困境问题奠定基础;同时,无人机航拍的绝缘子缺陷图像背景复杂、缺陷尺寸较小,容易出现误检、漏检等问题。为此,提出了一种用于输电线路绝缘子多缺陷检测的Insulator Defect Detection-YOLOv7(IDD-YOLOv7)模型,以降低模型复杂度,提高模型鲁棒性。首先,在多尺度特征融合的过程中加入坐标注意力(Coordinate Attention)机制,抑制复杂背景的干扰,提升模型对小目标的全局感知能力;之后,设计C3GhostNetV2模块,用于捕获不同空间像素之间的远程依赖性,在增强模型表达能力的同时降低模型的参数量和浮点运算量;最后,提出Focal-CIoU损失函数,提高模型高质量anchor的贡献,加快模型的收敛速度。实验结果表明,本文方法与基线模型相比mAP^(50)提升了3.8%,查准率和召回率分别提升了1.7%和7.6%,参数量和浮点运算量分别下降了18.3%和14.0%,绝缘子自爆、破损、闪络缺陷的AP^(50)分别提升了0.8%、4.5%、6.3%。

基于改进YOLOv5的变电站表计缺陷检测算法

准确检测变电站中的设备缺陷并及时进行处理是保证电力系统安全运行的重要措施.针对表计缺陷图像背景复杂、目标尺寸不一、外形差别大等问题,提出基于改进YOLOv5(you only look once的第5个版本)的变电站表计缺陷检测算法.为了提高泛化能力、解决训练过程中样本不平衡问题,利用旋转和改变图像亮度的方法进行数据增广.通过引入坐标注意力机制,在聚焦缺陷特征的同时,能突出缺陷特征的差异.为了使边界框回归更快速准确,将EDIOU loss(effective distance intersection over union loss)代替CIOU loos(complete intersection over union loss).实验结果表明:6种算法中,该文算法的准确度、召回率和mAP(mean average preciscion)均最高,分别达85.1%,86.6%,87.3%.因此,该文算法具有优越性.

基于机器学习的金属软管缺陷检测系统

为了实现工业上对金属软管缺陷部分的自动检测,提出一种基于深度学习的缺陷检测方法,首先利用相机采集金属软管缺陷部分的图像并将采集图像中的缺陷特征部分进行分类与标定,金属软管外表面缺陷可分为断丝、散丝、叠丝3种并制作出对应的自制数据集;其次对YOLOv5s网络进行改进,通过在YOLOv5s中的主干网络中添加SimAM注意力机制;然后利用EIoU损失函数替换初始网络所采用的IoU损失函数;最后对YOLOv5s中的金字塔池化层进行改进,采用SimSPPF模块替换SPPF模块。利用改进后的算法对金属软管缺陷数据集进行训练,改进后的算法相较于初始YOLOv5s网络的平均精度mAP提升了1.5%,特征复杂且小目标的漏检误检情况有了明显改善。

基于距离感知的金属缺陷样本标签分配算法

针对金属表面缺陷检测模型在训练过程中正负样本分配时不考虑金属表面缺陷的宽高比、对目标分布的定位能力差等问题,提出了距离感知的动态标签分配(DDA)算法。DDA不改变原有检测模型的结构也不增加计算开支,根据真实框的几何特性提出新的距离损失计算范式,以优化宽高比悬殊的回归问题,将迭代过程中的回归偏移量解码为预测框坐标,最后计算预测框、锚框和真实框三者之间综合交并比信息,动态地选择正负样本以提高训练精度。在武汉某钢厂冷轧带钢表面缺陷检测中进行了验证,并引入公开的热轧带钢表面缺陷数据集进行了泛化试验,检测效果均有显著改善,对金属表面质量规范有实际应用价值。

基于YOLOv3的金属表面缺陷检测研究

为了解决金属表面缺陷检测的漏检、误检等问题,提出了一种改进YOLOv3算法。首先,使用动态激活函数替换主干特征提取网络中所有残差块的激活函数,并加入了混合注意力机制,强化其对复杂缺陷目标的特征提取能力。然后,在特征金字塔网络部分新增一个104×104的特征层,并将浅层网络与深层网络进行逐层特征融合,增强算法对小缺陷目标检测的敏感性。最后,利用K-Means++聚类算法替换K-Means聚类算法,筛选出适用于金属表面缺陷检测的最优先验框尺寸,使目标定位更加准确。实验结果表明,改进YOLOv3算法的每秒检测帧数(frames per second,FPS)可达到32.3,平均精度均值(mean average precision,mAP)可达到78.69%,检测性能得到了明显提升。

基于YOLOX-αSMV的带钢材料表面缺陷检测算法

【目的】针对YOLOX算法在钢材表面缺陷检测中特征提取不充分、多目标缺陷检测能力较弱等问题,提出改进损失函数的多维度特征融合带钢材料表面缺陷检测算法。【方法】首先,在Backbone部分应用SPP_SF保留多尺度特征信息,提高分类精度。其次,在Neck部分加入多维度特征融合模块MDFFM,将通道、空间、位置信息融入特征向量中,加强算法的特征提取能力。最后,引入Varifocal Loss和α-CIoU加权正负样本,提高预测框的回归精度。【结果】实验结果表明,YOLOX-αSMV在NEU-DET数据集中的mAP@0.5:0.95达到了47.54%,较YOLOX算法提高了3.43%。【结论】算法在保持检测速度基本不变的情况下,对模糊缺陷和小目标缺陷的识别、定位能力明显提升。

基于改进YOLOv5s的铝材表面缺陷检测方法

针对目前铝材表面缺陷检测算法在实际工程应用中检测精度低以及不够轻量化难以部署等问题,文章提出一种基于改进YOLOv5s的铝材表面缺陷检测方法。该算法以经典YOLOv5s模型为基础,将ShufflenNetV2-Block算法融合到主干网络backbone中,降低模型的计算复杂性;然后添加SE注意力机制,使注意力集中于缺陷相关区域,更好地区分类别之间的差异,提高分类性能和检测效率;最后优化损失函数,采用SIoU(S-intersection over union)替代CIoU,提升网络定位精度。结果表明:针孔类和斑点类缺陷检测精度比原版YOLOv5分别提升了8.3%和8.4%,mAP值提高了6.4%,提高了缺陷检测精度且降低了模型的大小和所占内存,更加便于移动端部署,有效改善了制造过程中漏检问题。

基于改进YOLOv5s的两种输电杆塔缺陷检测研究

国内的电力事业发展迅速,输电杆塔的缺陷检测与修复是保证电网安全运行的关键技术手段。当前主要是人为识别输电杆塔的缺陷,工作负担巨大。故以YOLOv5s网络为基础,提出一种改进YOLOv5s目标检测算法,提升检测效率。在基础模型上引入Focal-EIoU损失函数,提升模型收敛速度与精度;在卷积层引入Hardswish激活函数,提高模型的表达能力,查准率得到提升;上调算法推理的置信度阈值conf-thres,减少模型推理的误检情况,提升模型正检率。另外在研究中尝试融入注意力机制提升网络特征提取能力,但效果不好,故舍弃此改进策略。实验结果表明,改进模型的各项指标均获得了提升,查准率由92.96%提升至95.02%,上涨了2.06百分点;查全率由87.36%提升到了87.38%;mAP@.5∶mAP@.5∶.95(0.1∶0.9)由0.644 3提升至0.648 1,上涨了0.38百分点;模型检测速度FPS提高了4.4。

预应力混凝土风机塔架结构安全性影响因素研究

预应力混凝土塔架较钢制塔架具有更高的抗疲劳特性及稳定性,能够满足复杂地形的建设需求。基于现场监测数据,利用混凝土塑性损伤模型对塔架结构进行全尺寸建模,通过对比监测数据与数值仿真结果,研究了预应力损失、混凝土劣化及表观缺陷等因素对塔架结构力学性能的影响规律。结果表明,预应力混凝土塔架结构安全受多种因素影响,随着结构的劣化塔架刚度逐渐软化,低阶振型对结构共振的影响较大,塔架结构损伤形式趋向于受拉破坏。

基于MFDC-SSD网络的接触网定位线夹缺陷识别

针对接触网应用环境复杂,定位线夹体积小、安装方向特殊、不易识别,传统的目标检测算法效果较差等问题,基于多尺度特征融合密集连接网络模型,提出了一种接触网定位线夹缺陷检测新方法。首先结合DenseNet与Inception模块对SSD模型的特征提取网络进行改进,在特定的特征层间共享上下文信息,提升特征提取能力。然后从网络深层到浅层,逐级采用FPN融合SSD检测的多尺度特征图,设计多特征融合的密集连接网络模型,最后将f GIoU作为边框损失函数,在训练中优化真实框和预测框的重合度。对采集的某段接触网定位线夹图像数据集进行检测识别。结果表明:该定位线夹缺陷检测方法可在复杂接触网背景下,对定位线夹脱落和松动进行检测,且在不同角度、亮度的图像中均具有较强的鲁棒性。

基于LWN-Net的印刷电路板缺陷检测算法

针对现阶段印刷电路板缺陷检测任务中网络精度低、速度慢、模型参数量大的问题,提出基于改进YOLOv3的轻量级权重新型网络(LWN-Net),并提出轻量级特征增强网络作为模型的特征提取网络,解决YOLOv3中主干网络Darknet53参数量过多的问题。考虑到特征提取过程中语义信息和位置信息不平衡会导致检测精度降低,构建权重聚合分配机制消除不平衡,以提高模型特征提取能力。提出新型特征金字塔网络,增强网络对细节信息的提取能力并降低信息冗余度。采用回归损失函数SIoU加快模型的收敛速度并提高检测精度。结果表明,相比YOLOv3,LWN-Net网络的模型规模压缩了87.5%,而检测速度提升了8.32帧·s^(-1),预测精度和召回率分别提升了0.88%和1.6%。该网络的提出为印刷电路板的缺陷检测问题提供了一种更高效的方法。

基于语义分割的织物疵点检测算法研究

针对织物疵点语义分割任务中数据分类不均衡导致疵点检测准确率不高的问题,文章在Resnet、U-net网络结构基础上设计了CS model网络,添加了适用于小疵点及条带状疵点特征检测的MSCA注意力机制。织物图像中,破洞、污渍等织物疵点像素,占比较少,相比于全图像素为小类别疵点,导致分割结果不准确。针对小类别疵点分割准确率不高的问题,将多类别Focal Loss损失函数引入于其中,该损失函数通过提高小类别疵点的权值,使分割结果更为准确。调整Focal Loss参数对比实验结果,采用mIoU、Acc和Loss数值作为实验评价指标,分别与U-Net、ResNet50、DeepLabV3和VGG16网络的语义分割模型进行对比实验,结果表明:提出的CS model网络可将小类别疵点分割精度有效提高几个百分点。

基于改进YOLOv5的PCB缺陷检测方法研究

随着工业制造业的发展,印刷电路板(PCB)在电子产品制造中愈发重要。在PCB生产过程中,存在着各种各样的不良缺陷,因此急需一种高效的PCB缺陷检测方法。针对传统的YOLOv5目标检测算法中对于PCB图像检测中存在小目标缺陷检测准确率低的问题,提出了一种基于改进的YOLOv5的PCB缺陷检测方法。首先,针对小目标缺陷存在漏检的问题,在YOLOv5的特征提取网络中加入了高效通道注意力机制(SE)模块,提高对小目标缺陷的特征提取能力,从而提高小目标缺陷的检测精度;其次,为了优化和改进原YOLOv5算法,采用加权损失函数代替原来的损失函数,以充分学习图像的各种特征。在北京大学机器人实验室公开的PCB瑕疵数据集上进行测试,实验结果显示,改进后的模型提高了小目标缺陷检测效果,其mAP值为94.54%,比原算法模型提高了2.1%。可以准确地完成工业生产的印制电路板的缺陷检测任务。

基于改进YOLOv5算法的纸袋缺陷检测

为了提高纸袋生产企业在制造过程中对纸袋手把或底部缺陷的检测精度,提出了一种基于改进YOLOv5算法的纸袋缺陷检测方法。改进算法为了提高网络定位能力,增强网络的特征学习表达能力,引入了坐标注意力机制,接着引入EIoU损失函数对原始损失函数进行改进,以此来改善原始网络损失函数纵横比的合理性,提升回归精度,最后引入一种具有类似跨阶段局部结构的简化空间金字塔池化结构,减少冗余信息处理,提升网络检测性能。实验结果表明,改进算法的平均精度平均值mAP@.5为87.3%,mAP@.5∶.95为56.8%,与YOLOv5算法相比mAP@.5提升了1.6%,mAP@.5∶.95提升了0.9%,在纸袋缺陷检测上有更优越的表现。

基于感知自编码器的军品电路表面缺陷检测方法

面向军品电路的表面缺陷检测任务,由于军品电路存在多品种、小批量,表面复杂的特点,现有方法对图像重建效果较差,本研究提出一种基于感知自编码器(Perceptual AutoEncoder,PAE)的方法,将感知损失与自注意力模块引入无监督方法,增加方法的可迁移性与图像重建效果。与传统检测方法相比,基于感知自编码器的方法无需面临传统模板法的对齐、光照平衡、色彩平衡等问题,极大地提升了针对不同产品的可迁移性,可有效解决军品电路多品种、小批量检测面临的困难。具体方法为:使用特征金字塔与卷积方法提取不同尺度的特征向量并聚类,聚类后使用自注意力模块自动加权并增强需要关注的特征,而后重建图像,将该图像作为模板与输入进行差分比较。针对感知自编码器,在自制的数据集上进行了评估,评估结果表明,引入感知损失后的自编码器能够更准确地进行缺陷检测。

改进YOLOv7的木材表面缺陷检测算法

优质木材深受人们喜爱,但木材存在多种缺陷导致优质木材产量少,木材利用率低。运用深度学习的目标检测算法可以实现木材表面缺陷的快速稳定检测,以此提高木材的优质化和利用率。针对目前木材表面缺陷目标小、密集和复杂等特点导致检测精度较差的问题,提出了一种基于改进YOLOv7的木材表面缺陷检测模型YOLOv7-ESS。针对木材的裂缝缺陷存在极端长宽比例而影响检测效果的问题,嵌入注意力模块ECBAM,通过加强对极端长宽比例缺陷的注意力,提高模型的特征提取能力。针对在提取特征时木材表面小缺陷特征信息丢失严重的问题,引入浅层加权特征融合网络SFPN,以深层特征图作为输出,同时有效利用浅层特征信息,提高小缺陷的识别准确率。引入SIoU损失函数,提升模型收敛速度及模型精度。结果表明,YOLOv7-ESS模型平均检测精度为94.7%,较YOLOv7检测精度提高了11.2个百分点,满足木材生产加工时的缺陷检测要求。

基于改进YOLOv8n的织物疵点检测

针对纺织行业中织物疵点大小不一、织物表面图案复杂等问题,提出一种基于改进YOLOv8n的织物疵点检测算法。首先,在主干网络中用CAA模块替换C2f中的Bottleneck模块,应用两个深度条形卷积作为标准大核深度卷积的近似值来减少计算量,并捕获疵点图像多尺度特征;其次,添加LSKA注意力机制,在特征提取中减少织物表面复杂图案的干扰,提升对小目标的检测精度;最后,使用MPDIoU损失函数弥补原始损失函数的局限性,提高模型训练效率。试验结果表明:改进的YOLOv8n模型mAP值达到90.2%,相比于原始YOLOv8n模型提升了5.9个百分点,同时检测速度达到73帧/s。将改进的模型部署至试验平台进行测试,mAP值和检测速度分别为87.4%和65帧/s,可满足纺织企业对织物疵点检测准确性和实时性的需求。

基于深度学习的木板材表面缺陷识别算法研究

我国是木材及木制品的生产、制造和出口大国,木板材表面缺陷会降低木板材的外在品质和内部强度,进而影响木材的加工生产过程。基于自制的木材表面缺陷数据集,在YOLOv5s模型上针对时下主流的几种损失函数进行了综合测试与对比分析。旨在拓展深度学习模型在木材缺陷检测领域的应用,以期为木材表面缺陷自动化检测提供新思路。

基于改进YOLOv6模型的微特电机电枢表面缺陷检测

针对传统工业存在对微特电机电枢表面缺陷检测任务人工成本高、工作量大的问题,提出了一种改进YOLOv6模型的微特电机表面缺陷检测算法。首先,在主干网络加入SimAM注意力模块,加强网络信息传递,提高模型对特征的敏感程度;其次,Neck端使用GSConv新型卷积方式,以减少模型计算量;最后,使用CIoU损失函数解决GIoU损失函数的局限性,以提升模型检测精度。将所提改进算法在微特电机表面缺陷检测公开数据集上MASS-DET上进行训练并测试,实验结果表明,改进后的算法检测精度优于原算法,其中缺陷检测结果的mAP值和mAR值分别提升了4.7%和2.5%。同时相比于一些其他目前先进的目标检测算法在精度和速度上均有提升,证明了改进算法的有效性。