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。

基于双流YOLOv4的金属表面缺陷检测方法

目前有许多学者使用深度学习进行表面缺陷检测研究,由于这些研究大都沿用主流目标检测算法的思路,注重高级语义特征,而忽视了低级语义信息(色彩、形状)对表面缺陷检测的重要性,因此导致缺陷检测效果不够理想。为解决上述问题,提出了一种金属表面缺陷检测网络——双流YOLOv4网络,骨干网络分成两个分支,输入分为高分辨率图像和低分辨率图像,浅分支负责从高分辨率图像中提取低级特征,深分支负责从低分辨率图像中提取高级特征,通过削减两分支的层数和通道数来减少模型总参数量;为了强化低级语义特征,提出了一种树形多尺度融合方法(Tree-structured Multi-scale Feature Fusion Me-thod,TMFF),并设计了一个结合极化自注意力机制和空间金字塔池化的特征融合模块(Feature Fusion Module with Polarized Self-Attention Mechanism and Spatial Pyramid Pooling,FFM-PSASPP)应用到TMFF中。在东北大学热轧带表面缺陷数据集NEU-DET、金属表面缺陷数据集GC10-DET和伊莱特电饭煲内胆缺陷数据集Enaiter的测试集上对所提算法进行了测试,测得的map@50结果分别为0.80,0.66和0.57,相比大部分主流的用于缺陷检测的目标检测算法均有提升,且模型参数量仅为原YOLOv4的一半,速度与YOLOv4接近,可满足实际使用需求。

基于计算机视觉的工业金属表面缺陷检测综述

针对平面及三维结构金属材料的工业表面缺陷检测,概述了视觉检测技术的基本原理和研究现状,并总结出视觉自动检测系统的关键技术包括光学成像技术、图像预处理技术与缺陷检测器.首先介绍了如何根据检测对象的光学特性选择合适的二维、三维光学成像技术;其次介绍了图像降噪、特征提取、图像分割和拼接等预处理技术的重要作用;然后根据缺陷检测器的实现原理将其分为模板匹配、图像分类、图像语义分割、目标检测和图像异常检测五类,并对其中的经典算法进行了归纳分析.最后,探讨了工业场景下金属表面缺陷检测技术实施中的关键问题,并对该技术的发展趋势进行了展望.

改进YOLOv8的金属表面缺陷检测模型

针对工业制造中金属表面缺陷检测的检测精度低、漏检率和误检率高等问题,文章提出了一种改进YOLOv8的金属表面缺陷检测模型。首先采用CG模块替换掉Backbone的下采样卷积模块,增强模型的上下文信息理解能力;其次采用RepGFPN模块替换原始的特征金字塔网络,提高模型的多尺度特征提取能力;最后通过对检测头重设计,提出GDetect模块,提升模型的整体性能。实验结果表明,改进后的模型在GC10-DET数据集中准确率、召回率和m AP@0.5达到了71.2%、72.4%和74.5%,分别提高了2.8%、8.1%和6.0%,参数量和计算量分别减少了6%和22%。同时在PASCAL VOC和NEU-DET数据集验证了模型在不同数据集下的鲁棒性和泛化能力,提高了对目标的检测精度。所提出的改进模型在金属缺陷检测领域取得了显著进展,提高了检测精度,解决了常见问题,并在保持轻量级的同时实现了较高的性能,为金属表面缺陷检测提供了一种高效且可行的解决方案。

基于改进Faster RCNN的金属丝网缺陷检测方法

作为一种传统的纺织产品,金属丝网在工业生产、日常生活、科研等领域起着举足轻重的作用,而金属丝网在编制过程中,表面会产生斑点、断线等缺陷,严重影响金属丝网的质量。为保障产品质量,研究了一种基于改进Faster RCNN算法的金属丝网表面缺陷检测方法。首先,为提高模型缺陷特征提取能力,特征提取网络选用深度残差网络(ResNet50)代替原视觉几何群网络(VGG16),并引入注意力模块;随后,训练过程中利用有预热的余弦退火学习率衰减机制,以提高网络检测精度;同时引入k-means算法和遗传算法,设计了更适合金属丝网数据集的锚框尺寸,以提高候选框的精度,解决缺陷定位不准的问题。经实验验证,利用改进Faster RCNN算法检测的平均精度均值(mean average precision,mAP)达86.95%,较原Faster RCNN算法提高18.81%,为金属丝网缺陷的检测提供了一个有效可行的方案。

基于小型化同轴探头对微小金属表面裂纹及非金属材料缺陷检测

同轴谐振器是一种常用的微波传感器,在金属裂纹检测中具有很大的应用价值。该技术基于电磁波与物体之间的相互作用,通过测量谐振器的共振频率变化来检测金属材料中的裂纹和缺陷。利用波长型同轴谐振腔设计的开放型传感器,在金属裂纹检测领域,可以用于实现对金属表面裂纹的定性和定量检测。设计的小型化同轴谐振腔尺寸为15mm左右,可以对400um,200um,100um的金属缺陷进行识别检测,同时也可以对100um的非金属缺陷或是复合材料进行识别检测。

基于深度学习的金属表面缺陷检测

由于金属产品生产过程中各种因素的影响,金属工件可能会存在一些表面缺陷.这会降低材料强度,缩短工件寿命,并且增加安全风险.因此,需要对金属产品表面进行质量检测,这也是保证工业生产质量的关键环节.与传统人工检测相比,基于机器视觉的表面缺陷检测方法具有速度快、精度高等优点.提出了一种改进的YOLOv5算法,用于金属表面缺陷检测研究,在原YOLOv5算法的基础上将空间金字塔池化结构SPP替换成SPPCSPC,提高模型对金属表面缺陷的检测能力.为了验证算法的有效性,分别采用YOLOv3,YOLOv4,YOLOv5及改进的YOLOv5算法对1 800张金属表面缺陷样本图像进行对比测试.结果表明,与YOLOv3,YOLOv4,YOLOv5原算法相比,改进的YOLOv5算法平均目标检测精度均值分别提高了4.3%,3.3%,2%.通过大量图片的学习,可以获得更好的精确率.

基于PCB线圈的钢丝绳金属横截面积损失检测方法

钢丝绳金属横截面积损失(Loss of Metallic area)直接影响钢丝绳承载强度等特性,因此其检测及定量分析对于设备安全可靠运行具有重要意义。针对目前主磁通检测中存在的线圈绕制困难、参数确定模糊等问题,基于仿真模型提出一种基于印制电路板(Printed Circuit Board)的分体式线圈结构,分析了线圈匝数、线圈层数、线距等参数对检测信号的影响;建立主磁通检测模型,探究损伤宽度对主磁通检测信号的影响规律,并针对损伤宽度变化造成的信号损失设计补偿方法;最后通过钢丝实验验证金属横截面积定量检测效果,表明该方法定量误差在1%以内,能够有效检测钢丝绳的LMA。

基于改进YOLOv7-tiny的工业金属表面缺陷检测方法

针对传统检测方法对于工业金属表面缺陷检测存在效率低,难以适应工业生产的缺点,以及目前YOLOv7-tiny算法中容易造成漏检等问题,该文提出了一种改进YOLOv7-tiny的工业金属表面缺陷检测方法。通过在主干网络中引入注意力机制相关的CBAM模块,并且使用SiLU激活函数对原有的LeakyReLU激活函数进行替换,即替换CBL模块为CBS模块。在多尺度特征融合网络中增加了一个更大尺度的特征图进行特征融合,并增加一个相应尺度的检测头。使用EIoU作为损失函数来提高检测精度。GC10-DET工业金属表面缺陷数据集上的实验结果表明,改进后算法的平均检测精度相比原算法提高了4.29%,有效改善了漏检等情况,提高了检测精度。

某输气管道漏磁内检测金属损失缺陷验证检测及评价

某输气管道在首次漏磁内检测时发现2处大于20%WT(Wall Thickness,壁厚)的管道本体缺陷,对缺陷开展了基于内检测数据的开挖验证及检测,并将实测结果和内检测报告结果进行比对来验证内检测器性能规格。结果显示:内检测报告的金属损失缺陷深度比实测值偏小,但在可信度为90%的精度范围内;报告的缺陷长度、宽度及周向定位与实测值间存在偶然性偏差,需进一步扩大开挖验证。采用ASME B31G标准对2处缺陷进行适用性评价,结果表明管道估计维修因子(ERF)均小于1,满足承压能力要求,无须立即修复。

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E-YOLOX的实时金属表面缺陷检测算法

针对现有基于深度学习的金属表面缺陷检测方法存在泛化能力差、检测速度低等问题,提出一种新的检测算法E-YOLOX。该算法采用新的特征提取网络ECMNet,并使用深度卷积减少网络参数;以线性逆瓶颈残差网络提升特征提取能力,在正向传播过程中保留更多高维张量内的流形分布于低维子空间的关键特征;以扩张跨阶段局部网络结构多样化神经网络的梯度流路径,使深层神经网络更高效地学习和收敛。同时,提出一种新的数据增强方法边缘Cutout,在训练过程中自适应生成掩膜覆盖图像的随机区域,提升网络的检测和泛化能力。实验结果表明,E-YOLOX-l在铝型材表面缺陷数据集AL6-DET上检测精度达到了77.2%的mAP,在钢材表面缺陷数据集GC10上检测精度达到了36.8%的mAP,较基准模型YOLOX-l分别提高3.6%和1.7%,同时参数量减少55%,计算量减少49%,检测速度达到57 FPS,提高了21 FPS。与相关算法对比,该算法取得较高的检测精度,且在精度和速度之间达到较好的均衡。

基于改进Faster R-CNN的变电站设备外部缺陷检测

针对变电站设备外部缺陷目标检测任务中目标形状多样,周围环境复杂,当前代表性算法识别准确度低,错检漏检严重的问题,对比了众多目标检测算法在变电站设备缺陷数据集上的检测结果,检测精度较高的是添加了特征融合金字塔结构的Faster R-CNN(faster region-based convolutional network)算法,但其对小目标物体和设备渗漏油的检测精度仍有提升空间,为此设计一种基于Faster R-CNN的改进算法。改进算法通过对输入图像进行数据增强,在网络中添加SPP(spatial pyramid pooling)结构以及改进特征融合方式,对分类以及边界框回归损失函数进行改进的方式来提高缺陷的检测精度。与原Faster R-CNN算法进行对比,改进算法在变电站设备缺陷目标检测数据集的检测结果中AP(average precision)(0.5∶0.95)提高了2.7个百分点,AP(0.5)提高了4.3个百分点,对小目标物体的检测精度也提高了1.8个百分点,试验结果验证了该方法的有效性。

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。

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。

金属异物缺陷演化特性及其对产线K值的影响机制

电池制造过程出现的缺陷问题会极大影响电池产品的安全性等,其中产线金属异物侵入可能导致自发性内短路甚至引发热失控,然而目前关于在电池内部的演化机理及相应的外在表征的研究较少,尤其是针对微小金属异物的研究。因此本研究在电池中植入百微米直径铜颗粒,模拟产线金属异物侵入形成缺陷电池,分析了缺陷电池内短路电流特征,拆解研究了内短路区域的微观结构,通过模型仿真了内短路区域的电位分布,综合解释了缺陷对产线关键检测指标K值(电压下降率)的影响规律与机制,并在实际试制线大容量电池上进行了验证。相关研究成果可用于提高产线缺陷检出率,预防潜在的安全事故。研究结果表明,铜颗粒等金属异物侵入电池后,可能导致正极-颗粒-负极和正极-负极两种模式的内短路,内短路电流在正极中产生的电位梯度可抑制颗粒的进一步溶解,从而使得在K值测试条件下的两种内短路模式均会达到平衡状态。两种模式的内短路程度相近,内短路电流处在0.1~1 mA量级。相同的内短路电流对于不同容量单体的K值影响不同,产线上为保证检测效果,随着电池产品容量的增加,K值检测阈值及正常电池的基准值需要相应降低。

基于深度学习的金属材料表面缺陷检测综述

表面缺陷检测是产品质量检测的关键环节,近年来随着深度学习技术的迅速发展,金属材料表面缺陷检测技术大幅提升。对近几年基于深度学习的金属材料表面缺陷检测方法进行了梳理和分析,并从监督方法、无监督方法以及弱监督方法 3个方面对比论述了近年来的研究现状及应用效果。最后系统总结了金属材料表面缺陷检测中的关键问题及解决方法。结合工业需求,对表面缺陷检测的进一步发展进行了思考与展望。

DN-YOLOv5的金属双极板表面缺陷检测算法

为解决氢燃料电池中金属双极板表面缺陷尺寸小,缺陷对比不明显、种类多造成的难以检测,易误检漏检以及缺陷检测模型复杂度太大难以部署等问题,提出一种改进版的金属双极板缺陷检测算法DN-YOLOv5,来探究缺陷检测在冲压成形的金属双极板视觉检测工作台场景下进行快速精准检测的可行性,从而实现智能检测,提升检测效率。本研究着重于修改YOLOv5主干网络Backbone部分,添加网络中模块数量,加入NAM注意力机制和使用深度可分离卷积模块来替代原来CSP/CBS主干网络卷积模块,并引入SIoU对损失函数重新进行了定义,极大的提升了主干网络的轻量化程度。结果表明,本算法的map@0.5可达0.988,每秒检测传输帧率为9.98,模型参数量降低了52.13%,在测试集75张缺陷图像中真检率达到了99.74%。该方法在保证模型较高检测率的同时,显著降低了模型复杂度和参数计算量。此外,该算法结合新的检测尺度设计特征融合网络,提升网络的小目标、多目标检测能力。该算法具有良好的稳定性和鲁棒性,综合性能较好,满足部署移动端场景进行缺陷检测的轻量化需求。

基于YOLOv5-GCE的钢材表面缺陷检测

针对传统钢材表面小尺寸缺陷检测精度较低,且容易出现漏检和误检等问题,提出了一种改进的钢材表面缺陷检测算法YOLOv5-GCE。首先,将轻量级GhostNet模块应用于YOLOv5的主干网络中,以替换CSP1中的残差模块,减少网络模型的参数量和计算复杂度;其次,引入CA注意力机制,使得网络更加关注小目标的关键特征,提高其特征提取和定位能力,进而提升小目标的检测精度;最后,采用EIoU损失函数替代传统的GIoU损失函数,提高模型的收敛速度和回归精度。实验结果显示,YOLOv5-GCE算法在NEU-DET数据集上的mAP值为81.4%,相比于原YOLOv5算法提高了4.5%,检测速度达到了40 fps,并且该算法模型体积较小,可适用于移动端目标检测应用场景。