基于改进YOLOv5s 的白酒瓶盖瑕疵检测

目的瓶装白酒生产过程中,瓶盖表面瑕疵会影响产品外观质量。针对白酒瓶盖表面瑕疵检测效率低和目标检测效果差的问题,提出一种基于YOLOv5s的改进算法DTS-YOLO。方法首先,在主干网络中引入可变形卷积,以提高模型对极端长宽比瑕疵的检测精度。其次,引入Transformer编码块,使网络聚焦于提取图像的全局信息。最后,在颈部网络构建C3SE-Lite模块,将C3模块嵌入SE注意力模块的同时引入Ghost卷积,减少参数量的同时,增强对瓶盖瑕疵的检测能力。结果实验结果表明,本文所提方法相较于基础网络,参数量减少了10%,平均精度均值达95%,平均检测速度达30帧/s。结论本文方法有效实现了白酒瓶盖表面瑕疵快速、准确地检测,可广泛应用于瓶装白酒生产过程中瓶盖表面检测。

基于多度量多模型图像投票的织物表面瑕疵检测方法

为解决自动化生产线上织物表面瑕疵检测准确率低和计算速度慢的问题,利用织物表面具有周期纹理的特性提出了一种改进的RANSac检测方法,即多度量多模型图像投票。首先将输入图像裁剪为尺寸一致的子图,计算出子图多维度量的输出值矩阵;然后与改进RANSac计算出的无瑕疵背景的多维度量标准值分别对应作差,采用投票得出每张子图的基础分;再将其在4个记数模型下得到的综合评分排序,根据顺序和偏移量在输出端得到外点所代表的瑕疵子图。实验结果表明:在自采样的织物瑕疵数据集上,选择单度量和单模型的预测精度平均可达到90.9%,平均预测时间达到0.139 s,综合多度量多模型投票的平均预测精度可达到92.7%。该算法不需要大量前期数据进行训练,适用于纯色和条纹状织物的实时表面缺陷检测。

改进Tiny-YOLOv3的工业钢材瑕疵检测算法

深度学习网络模型参数量大,不适用于嵌入式或移动设备上。针对工业钢材生产过程中的实时检测问题,提出了一种改进的R-Tiny-YOLOv3工业钢材瑕疵检测算法。首先,在Tiny-YOLOv3结构中加入残差网络结构,提高检测的精度。增加了空间金字塔SPP网络模块,提高网络特征提取能力。结合不同网络层的特征信息,将检测提高到三个尺度。然后,选取CIOU作为损失函数,使目标检测框的回归更加稳定。最后对数据集进行数据增强,并在Cambricon 1H8嵌入式平台进行测试。实验结果表明改进的R-Tiny-YOLOv3算法能够实时地检测出瑕疵目标,平均准确率提高了10.8%,运算速度可达39.8帧/s,为工业钢材瑕疵检测的嵌入式应用提供了参考。

基于改进YOLOv5的织物瑕疵检测方法

针对织物瑕疵中部分瑕疵目标小、长宽比极端等问题,提出一种基于改进YOLOv5的织物瑕疵检测方法。该方法在YOLOv5模型基础上引入自注意力机制CoTNet网络,并将颈部网络中的PAFPN网络优化为BiFPN网络,同时将目标损失函数改进为CIoU损失函数,加强模型对邻近键以及上下文之间特征信息的收集,在增强模型对小目标和尺寸变化大类型瑕疵检测能力的同时可获得更准确的边界框回归,加快收敛速度。实验证明,本文改进的模型在织物瑕疵检测数据集上的检测效果和YOLOv5模型相比平均精度均值提升了6.8%,准确率提升了6.7%,模型验证有效。

基于改进YOLOv5s的轻量化布匹瑕疵检测算法

针对纺织生产中布匹瑕疵检测高精度、实时性的需求,提出了一种基于改进YOLOv5s的轻量化布匹瑕疵检测算法(GhostNet-CBAM-Partial convolution-YOLOv5s,GCP-YOLOv5s)。该算法首先引入GhostNet中的GhostConv模块,对原主干网络进行优化重构,大幅减少网络参数;其次,在主干特征提取网络中加入CBAM(Convolutional block attention module)注意力机制,增加网络的特征提取能力;最后,设计了基于Partial convolution的改进C3模块(C3-Partial convolution,C3-P),在降低模型参数量的同时提高特征融合能力。在自建布匹瑕疵数据集上进行了对比测试,结果表明:与基准模型YOLOv5s相比,GCP-YOLOv5s的参数量降低了41.6%,计算量降低了43.1%,检测速度提高了12 FPS,检测精度提升了1.7%。GCP-YOLOv5s算法在保证模型轻量化的同时具有较高的检测精度,可以满足布匹瑕疵检测的高精度和实时性要求。

改进Faster RCNN with FPN的素布瑕疵检测的算法研究

纺织行业中的布匹检测仍存在采用人工检测的情况,人工检测效果受工人主观影响较大,易发生检测效率的降低和瑕疵的漏检误检。针对这种现状,探究素布瑕疵检测的算法,改进Faster RCNNwith FPN目标检测算法。首先,为了提升Faster RCNNwithFPN对于多尺度特征的融合能力,丰富各个特征层的上下文信息,引入跨尺度特征融合模块来改进特征金字塔网络结构。其次,为了更好的利用深层特征,加入尺度内特征交互模块来处理ResNet50输出的深层特征层,丰富高级特征层的语义信息。然后,为了增强对于极端尺寸瑕疵目标的检测能力,使用K-means++聚类和遗传算法,改进预设锚框。最后,由于素布瑕疵的尺寸较小,为了平衡正负样本,采用Focal Loss,增加对于素布瑕疵的检测效果。经过实验,使用COCO指标进行评价,该改进后的网络模型与Faster RCNNwithFPN相比,在mAP_(50)、mAP_(75)和mAP_(50:95)指标上分别提升6.5%、4.4%和4.0%,平均准确率有了明显提升,可以更好地完成素布瑕疵的检测任务。

面向嵌入式设备部署的轻量化织物瑕疵检测算法

针对现有织物瑕疵检测算法参数量大、计算复杂度高,难以部署在计算资源有限的嵌入式设备上的问题,提出一种基于YOLOv5s改进的轻量化织物瑕疵检测算法SSPY(ShuffleNetv2-S,SimAM-S,Pruning-P,YOLOv5s-Y)。首先,主干特征提取网络采用ShuffleNetv2网络,实现模型的轻量化。在主干网络和小目标检测层引入SimAM无参注意力机制,在不增加额外参数量的情况下增强算法的特征提取能力。通过结合稀疏训练评价特征提取层中卷积核的重要性进行剪枝的方法,进一步实现模型压缩。最后,将SSPY算法部署到瑞芯微RK3568平台上,完成织物瑕疵实时检测算法在嵌入式设备上的部署。在织物瑕疵数据集上进行多组对比实验。实验结果表明,SSPY与YOLOv5s相比,平均精度均值mAP值提升了0.8%,参数量下降了80.3%。将SSPY部署在RK3568上,检测速度可达49 FPS,满足了织物瑕疵检测算法在工业应用中实时性、嵌入式设备部署等需求。

国内紫外像增强器视场瑕疵检测技术研究现状

紫外像增强器是一种对紫外辐射敏感的成像器件,视场瑕疵是其成像效果的主要制约因素。目前,视场瑕疵检测技术主要分为人工和机器视觉两种方法。本文首先阐述了视场瑕疵的定义和检测标准。接着从瑕疵交叠靠近、大小和数量特性的角度,分析了视场瑕疵检测的难点。随后,重点介绍了紫外像增强器视场瑕疵检测技术的研究现状。结合当前的检测需求和不足,调研了深度学习技术在其他领域的瑕疵检测效果。最后,从理论上进行了可行性分析,并提出了基于深度学习视场瑕疵检测的思路,旨在为紫外像增强器视场瑕疵检测提供一种新的解决方案,推动其向着更加实用、智能化的方向发展。

基于改进卷积网络的汽车皮革小瑕疵检测技术研究

为了实现汽车皮革中小瑕疵的精准检测,本文提出一种基于改进卷积网络的汽车皮革小瑕疵检测技术。该技术一方面通过旋转、平移和裁剪缩放等数据增强方法,提高瑕疵样本数量;另一方面将ResNet 50网络与CBAM注意力机制相结合,通过在ResNet 50网络中嵌入CBAM模块,提高模型对缺陷信息的学习能力,进而提升检测精度。结果表明,采用所提方法对皮革图像进行数据增强,较好地解决了分类模型在训练过程中,因缺陷样本较少导致的训练不彻底问题。模型的识别精度达到了986%,检测效果较好。当CBAM注意力模块嵌入位置ResNet 50网络后,改进检测模型的准确率、召回率和F1值分别达9961%、9847%和9841%。相较于未改进的ResNet 50模型、GoogLeNet模型和VGG模型,检测结果有了明显提升,适合用于汽车皮革的小瑕疵检测。

基于YOLO的电路板瑕疵检测技术分析

阐述基于YOLO的电路板瑕疵小目标检测方法。电路板图像通过深层网络,多尺度下修改锚定框,能更好地检测小目标。实验表明,基于YOLO的电路板瑕疵小目标检测方法的平均精确率达到99.45%。

基于改进Swin Transformer的花色布匹瑕疵检测算法

在进行布匹瑕疵检测时,复杂的花色纹理对瑕疵的检测带来一定的困难。针对该问题,文中提出了基于改进Swin Transformer的花色布匹瑕疵检测算法。首先,利用双路Swin Transformer注意力骨干网络提取缺陷图与模板图中的特征信息。然后,采用改进的特征金字塔网络对四个层次的特征进行融合。最后,根据融合后的特征完成了瑕疵的定位与分类。在布匹生成工厂采集的数据集上进行模型训练与测试,结果表明,文中所提算法的准确率和平均精确率均优于所比较的算法。

基于深度学习的纹理布匹瑕疵检测方法

布匹瑕疵检测是纺织工业中产品质量评估的关键环节,实现快速、准确、高效的布匹瑕疵检测对于提升纺织工业的产能具有重要意义.在实际布匹生产过程中,布匹瑕疵在形状、大小及数量分布上存在不平衡问题,且纹理布匹复杂的纹理信息会掩盖瑕疵的特征,加大布匹瑕疵检测难度.本文提出基于深度卷积神经网络的分类不平衡纹理布匹瑕疵检测方法(Detecting defects in imbalanced texture fabric based on deep convolutional neural network,ITF-DCNN),首先建立一种基于通道叠加的ResNet50卷积神经网络模型(ResNet50+)对布匹瑕疵特征进行优化提取;其次提出一种冗余特征过滤的特征金字塔网络(Filter-feature pyramid network,F-FPN)对特征图中的背景特征进行过滤,增强其中瑕疵特征的语义信息;最后构造针对瑕疵数量进行加权的MFL(Multi focal loss)损失函数,减轻数据集不平衡对模型的影响,降低模型对于少数类瑕疵的不敏感性.通过实验对比,提出的方法能有效提升布匹瑕疵检测的准确率及定位精度,同时降低了布匹瑕疵检测的误检率和漏检率,明显优于当前主流的布匹瑕疵检测算法.

基于机器视觉的产品表面瑕疵检测算法

在自动化生产中产品的表面异物瑕疵影响其质量、外观,如何准确、快速、高效的检测和识别出表面异物瑕疵至关重要。为提升产品表面异物瑕疵的检测效率,提出一种区段瑕疵检测算法。对区段瑕疵检测原理进行说明,设置最佳的检测方式,采用基于PLC+工控机的控制方式,设计总体机械方案,采用总面积瑕疵检测法,依托CV-X系列视觉系统,对杯子异物进行有效检测。为验证检测算法的有效性,将机器视觉检测与人工检测作对比,实验结果表明机器视觉检测具有更好的准确性和快速性,有效提升杯子异物检测效率。

基于可变形密集卷积神经网络的布匹瑕疵检测

针对传统布匹瑕疵检测方法无法适用于尺度变化大、面积占比小的瑕疵特征,提出一种基于可变形密集卷积神经网络模型。为了关注到图像中距离较远的特征信息,并避免捕获纹理信息,采用可变形卷积来增强特征的语义表达能力。通过在卷积层中设置卷积像素相对于中心像素各自的x,y方向偏移量,并利用反向传播训练偏移量以增加感受野的变形适应性。同时,采用密集连接的方式以保持模型不遗漏边缘瑕疵信息。最后,根据瑕疵类别预测和位置边框回归实现瑕疵的分类和定位检测。实验结果表明:该模型的平均检测精度和单类目标检测精度标准差分别为93.53%,2.5139,相比于其他方法更具有竞争力。

基于改进Yolov5的花色布匹瑕疵检测方法

花色布匹的瑕疵检测是纺织工业中必不可少的环节,实现快速、准确的花色布匹瑕疵检测对于提高生产效率具有重要意义;针对花色布匹瑕疵检测中大部分瑕疵目标较小、种类分布不均、部分瑕疵长宽比较为极端以及瑕疵与背景易混淆的检测难点,提出了一种基于YOLOv5网络改进的算法模型DD-YOLOv5;在骨干网络中采用上下文变换器网络(CoTNet),增强视觉表示能力;在颈部网络中引入卷积注意力模块(CBAM),使网络学会关注重点信息;在检测环节增加了一个高分辨率的检测头,加强对小目标的检测;并且使用α-IoU代替原网络中G-IoU方法;经实验证明,改进后的算法在花色布匹瑕疵数据集平均精度均值上(mAP)达到了较原生算法相比提升了8.1%,检测速度也达到了73.6 Hz。

双端输入型嵌套融合多尺度信息的织物瑕疵检测

针对织物瑕疵检测中复杂纹理区域误判和边缘检测模糊问题,提出一种双端输入型网络架构WNet,使用两个骨干分支分别提取多尺度局部和全局特征,依靠自注意力机制的全局建模能力,在卷积深层网络中补充全局信息,减少深层网络中纹理特征的冗余.为了减少深层网络中局部细节信息的丢失,提出一种轻量级双分支池化金字塔,将浅层多尺度细节特征引入深层模块.搭建多尺度嵌套双分支模块,将各级尺度下不同感受野的特征信息进行融合,该模块更加关注瑕疵特征,可以生成较精确的预测图.实验证明,提出的方法在ZJU-Leaper的四个数据集上的综合评价指标较优,尤其是fmeasure、阳性预测率和阴性预测率较高.

基于改进ShuffleNetV2的轻量级花色布匹瑕疵检测

布匹瑕疵检测是纺织业质量管理的重要环节.在嵌入式设备上实现准确、快速的布匹瑕疵检测能有效降低成本,因而价值巨大.考虑到实际生产中花色布匹瑕疵具有背景复杂、数量差异大、极端长宽比和小瑕疵占比高等结构特性,提出一种基于轻量级模型的花色布匹瑕疵检测方法并将其部署在嵌入式设备Raspberry Pi 4B上.首先在一阶段目标检测网络YOLO的基础上用轻量级特征提取网络ShuffleNetV2提取花色布匹瑕疵的特征,以减少网络结构复杂度及参数量,提升检测速度;其次是检测头的解耦合,将分类与定位任务分离,以提升模型收敛速度;此外引入CIoU作为瑕疵位置回归损失函数,提高瑕疵定位准确性.实验结果表明,本文算法在Raspberry Pi 4B上可达8.6 FPS的检测速度,可满足纺织工业应用需求.

基于改进Cascade R-CNN的布匹瑕疵检测算法

布匹瑕疵的自动化检测是目前纺织行业面临的一个难点问题。针对当前布匹瑕疵检测算法对尺度和长宽比变化大、小目标众多的样本检测效果并不理想的问题,提出了基于改进Cascade R-CNN网络的布匹瑕疵检测算法。首先,在特征提取网络ResNet-50中融入可变形卷积,自适应地提取更多的瑕疵形状与尺度特征;其次,在特征金字塔网络上采样前引入平衡特征金字塔,缩小特征融合前各特征层之间的语义差距,得到更具表达力的多尺度特征;然后,根据瑕疵尺度与长宽比特点重新设计更适合的初始锚框;最后,采用具有尺度不变性的GIoU Loss作为级联检测器的回归损失,以获取更加精确的瑕疵预测边界框。实验结果表明,相比基于Cascade R-CNN的算法,改进后的Cascade R-CNN算法对布匹瑕疵检测的平均精确率获得了明显提升。

基于Cascade R⁃CNN改进的PCB瑕疵检测方法

由于印刷电路板(PCB)的集成度、线路复杂性以及其产量的日益增加,针对PCB的瑕疵检测已成为关键的检测任务。传统检测方法存在误检率较大、检测速度较慢、能够检测出的瑕疵类型较少等问题,而常用的基于深度学习的目标检测模型计算量庞大,难以应用到工业场景中算力较弱的边缘设备。为了减少算法参数量和计算量,在Cascade R⁃CNN基础上改进网络结构,提出将ResNeSt作为主干网络,颈部网络采用路径聚合特征金字塔网络(PAFPN),增加对小目标PCB瑕疵的定位精度。将使用多尺度训练方法训练出的高性能改进Cascade R⁃CNN模型作为教师模型,再通过使用重点与全局知识蒸馏算法,将教师模型知识蒸馏在主干轻量化的MobileNetV3学生模型中,在提升模型精度的同时,缓解模型参数量和计算量过大的问题。在PCB Defect数据集上,改进模型相较原Cascade R⁃CNN模型,在IoU=0.5时,mAP提高了17.0%,推理速度提高3.5 FPS,参数量缩小了28.2%,计算量减少了27.3%。

基于改进Cascade R-CNN的织物瑕疵检测方法

制造业瑕疵检测问题是工业产品的关键环节,其中织物瑕疵检测尤为关键.针对织物图像尺寸大、局部瑕疵数量少、图像背景复杂等问题,设计了一种基于Cascade R-CNN融合尺度不变特征的织物瑕疵检测方法.通过训练具有多个递增交并比(IoU)阈值的级联检测网络,解决了传统深度神经网络的过拟合和错配问题;针对工业生产上存在的待检测图片发生倾斜、偏转和迁移等问题,通过尺度不变特征变换(SIFT)算法对待检测织物图进行预处理,将其正确定位到模板图上对应位置后,再进行瑕疵检测;借鉴孪生学习的思路,通过扩充输入通道,同时输入并分析待检测的图像和模板,提高了瑕疵检测的精度.实验结果表明:该模型能够有效地完成瑕疵检测任务,可对7类织物瑕疵进行检测与分类,平均精度均值达87.5%.