基于改进BiFPN的微特电机电枢表面缺陷检测方法

针对现有微特电机电枢表面缺陷检测方法存在检测精度不高,特别是对相似性工件容易误判等问题,结合深度学习的方法,提出一种基于改进BiFPN的电枢外观缺陷检测方法。工业相机采集到的电枢图像通过匹配算法经过裁剪得到ROI,将ROI输入到EfficientNet结构,进行基础特征提取;采用通道注意力机制增强改进的BiFPN结构,对提取出的不同维度特征进行融合,并对特征进行筛选;使用分类器输出最终检测结果。结果表明:该电枢外观缺陷检测方法检测准确率优于ResNet和EfficientNet等深度学习检测方法,其检测准确率高达98.42%。研究结果对相似性较大的微特非标工件的检测性能提升有积极意义。

一种改进YOLOv5s的自爆绝缘子检测算法研究

针对绝缘子缺陷巡检过程中,传统算法因背景复杂难以同时兼顾检测精度与模型大小的问题,提出一种基于改进YOLOv5s的绝缘子缺陷检测模型。首先,采用Bottleneck CSP结构,引入轻量型空间与通道卷积注意力机制,强化绝缘子特征并抑制复杂背景特征;然后,提出一种改进的BiFPN结构,实现多尺度特征融合,提升小目标检测能力;最后,采用K-means++算法重新聚类先验框,并设计轻量型GhostC3和Ghost Conv模块,保证网络精度的同时减小模型大小。实验结果表明:改进算法在Insulator2022数据集上的mAP值达到92.3%,提升了3.6%,参数量减少了26.73%,浮点运算量减少了23.17%,漏检率降低了5.47%;在公开数据集上,缺陷绝缘子mAP值达到99.5%,各项评估指标值优于Faster-RCNN、SSD、YOLOv3和YOLOv3-tiny主流算法以及绝缘子检测相关算法。