基于改进Yolov5的晶振多缺陷检测

长期以来,晶振的缺陷检测主要依靠人工,存在着效率低、受外界影响程度大、成本高昂的问题。传统方法无法实现多缺陷一次性记录检出,而深度学习应用部署于工业界也存在着无GPU加速导致的推理速度慢的问题。针对以上问题,选定算法模型并通过在输入模块对图像增强、主干网络特征图融合、颈部网络引入新的尺度检测层和新的激活函数、输出预测时引入注意力机制的多种方式进行改进,在保留模型轻量化的同时增加小目标检测能力。最后进行模型剪枝和硬件加速推理,部署于PC端进行缺陷统计等工作。实验表明该系统的检出率在95%以上,实现了晶振缺陷检测的自动化和精细化。

基于动态先验特征的包覆药多类型外观缺陷深度检测框架

包覆药通常被嵌入固体火箭或导弹发动机的动力系统中,其外观质量直接影响该类动力系统的性能表现。针对包覆药外观存在的形状、尺寸和表面缺陷,提出了一种基于动态先验特征的包覆药多类型外观缺陷深度检测框架,包括:1)将基于深度分类器的形状缺陷检测和基于深度分割网络的尺寸缺陷检测模型集成,去除不同任务间的冗余特征,同时将深度分割网络当前迭代形成的过程特征作为动态先验特征,作用于深度分类器参数下一次迭代更新,加快模型收敛速度;2)将深度分割网络产生的过程特征映射至基于卷积自编码器的表面缺陷检测模型中,指导检测模型快速聚焦于包覆药,抑制任务无关特征重复提取。实验结果表明,该方法在模型功耗、检测效率及检测准确率等方面具有较好的表现。