改进YOLOv7算法的钢材表面缺陷检测研究

当前,基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域,针对钢材表面缺陷检测精度低的问题,提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力,融合级联注意力机制和解耦头重新设计YOLOv7检测头网络,旨在解决原始头网络特征利用效率不高的问题,使其充分利用各尺度、通道、空间的多维度信息,提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数,提出NF-EIoU替换CIoU损失,平衡各尺度缺陷样本对Loss的贡献,降低各尺度缺陷的漏检率。实验结果表明,CDN-YOLOv7的检测精度可达80.3%,较于原YOLOv7精度提升了6.0个百分点,模型推理速度可达60.8帧/s,满足实时性需求,CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

基于改进YOLOv4的钢材表面缺陷检测

针对钢材表面缺陷检测精度低,易漏检、误检、定位不准确等问题,提出一种基于改进YOLOv4的钢材表面缺陷检测算法,首先使用K-means++算法分析标注框的分布信息,获取最优的锚框,提高定位精度,减少网络损失;其次在YOLOv4网络原有特征层基础上继续增加一浅层特征即尺度为104×104的新特征层,增大特征检测尺度,提高小缺陷目标检测精度;最后在原始主干网络的基础上引进注意力机制,使网络更多关注有用信息,从而使检测更准确。将上述算法与其它算法在NEU-DET数据集上进行对比实验,所提算法平均检测精度相较于原YOLOv4提高了4.69%达到78.10%,相较于目前其它的主流目标检测算法也更优秀。

改进YOLOv5的钢材表面缺陷检测网络轻量化研究

在YOLOv5模型的基础上设计了一种改进的轻量化网络,能够快速准确地实现钢材表面缺陷检测。首先,使用基于梯度路径设计的ELAN结构,通过提高网络的学习能力来提高检测精度;其次,引入深度可分离卷积和Ghostv2模块减少模型体积和参数量;最后,利用SIOU边界框损失函数训练模型,使模型能够快速收敛并且精确回归。在NEU-DET上的实验结果表明,改进后的模型mAP值提升到77.0%,相较于原模型提高了5.3%,模型体积减少了42.1%,参数量减少了43.4%,检测速度也快了0.4 ms,实现了模型轻量化效果和检测精度的平衡,为后续在硬件终端上部署提供了一种可行方案。

基于改进SSD的钢材表面缺陷检测

工业生产过程中,钢材表面缺陷的检测对于钢材的质量控制发挥着十分重要的作用,针对钢材表面缺陷检测中存在的检测精度低、检测速度慢等问题,提出了一种钢材表面缺陷检测的改进SSD算法。在所提算法中,采用Transformer多头注意力机制模块代替原SSD结构中的Conv5_1层,以提高小目标检测的能力;原SSD结构中的Conv7操作替换为Involution算子操作,以减少运算的参数量;对网络结构进行特征融合处理,以更全面地检测特征图中所包含的信息。利用NEU-DET数据集进行实验,实验结果表明改进后的SSD算法是有效的,可以高效检测到钢材表面的小目标缺陷,相比改进前平均检测精度提高了4.5%,检测速度提高了13.6%。

改进Yolov7-tiny的钢材表面缺陷检测算法

为提高钢材表面缺陷小目标检测效率,提出一种改进Yolov7-tiny的钢材表面缺陷检测算法。将特征提取网络的激活函数更换为SiLU,提高特征提取能力;把特征融合网络的张量拼接操作与加权双向特征金字塔BiFPN结合,再把上采样部分的最邻近插值替换为轻量级算子CARAFE,提升特征融合能力;最后在输出端引入多头自注意力机制MHSA和SPD卷积构建块,提升输出端对钢材表面缺陷小目标的检测性能。在NEU-DET数据集上做消融和对比实验,改进算法与原Yolov7-tiny算法比较,mAP提升11.7个百分点,Precision提升3.3个百分点,FPS值达到192,结果表明改进算法能有效提升钢材表面缺陷小目标检测效率;在VOC2012数据集上做通用性对比实验,结果表明改进算法具有通用性。

针对钢材表面小目标缺陷实时检测

钢材表面缺陷检测任务中,YOLO将目标检测转换为对位置信息的回归问题,实现高帧率实时检测,但对小目标缺陷定位精度有所欠缺。针对该问题,以YOLOv5s架构为基础,首先,在模型输入端设定动态尺度训练范式,提高小目标缺陷训练精度;其次,设计STD-CA模块利用图像转换技术,避免下采样过程中分辨率的降低,导致小目标缺陷特征信息的丢失,并引导特征提取能力,降低无关背景特征关注度,进一步提高模型小目标缺陷检测精度。结果表明,在NEU-DET数据集中,改进后模型在保证检测速度保持在54 frame/s的同时,平均精度均值达到86.6%,较YOLOv5s提高17.6%,对小目标缺陷定位更加准确,目前优于其他深度学习钢材实时检测模型。

基于改进YOLOv5的钢材表面缺陷检测

针对当前钢材表面缺陷种类多、形态复杂等原因导致的检测精度低的问题,本文提出了一种基于改进YOLOv5目标检测网络的缺陷检测方法.首先,对于在检测中小目标缺陷易被漏检、错检的问题,增加了小目标检测层;其次,对于缺陷图像表现的背景复杂,且部分缺陷交叉、重叠等问题,引入了Transformer encoder block模块和Convolutional block attention model(CBAM)模块,使网络能更加有效地对抗复杂背景信息,专注于目标对象的检测;最后,使用NEU-DET数据集对该改进模型进行了实验.结果表明,相较于原YOLOv5模型,该方法在缺陷检测方面的精度提升了6.5%;相较于Faster-RCNN模型,其精度提高了约10%.因此,该方法在钢材表面缺陷检测上,具有较好的检测精度和效率.

基于噪声估计的钢材表面图像增强与缺陷检测

低光照低对比度的钢材表面图像(low-light and low-contrast steel surface images,LCSI)往往被大量噪声污染,给检测和识别带来很大的困难,导致缺陷的识别率很低。为了解决这一问题,本文提出一种基于噪声水平估计(noise level estimation,NLE)的钢材表面图像分解增强算法。根据快速的噪声水平估计确定总变分(total variation,TV)正则化的平衡因子,将低光照低对比度的钢材表面图像分解成基础层和细节层,利用视网膜大脑皮层理论(retina+cortex,Retinex)模型将基础层分解为光照分量和反射分量并分别增强使光照均衡化。对于包含更多图像细节(缺陷)和噪声的细节层,使用高斯滤波抑制噪声后,再对细节进行增强并与增强后的基础层重构得到高质量的输出图像。最后利用最新的基于Canny边缘检测和基于大津算法(nobuyuki Otsu method,Otsu)对增强的钢材表面图像进行缺陷检测。实验结果表明:增强后的缺陷识别率比最新的方法提升至少15%以上。

基于双网络的钢材表面缺陷检测方法

针对传统算法检测钢材表面缺陷(如开裂、斑块、划痕等)精准度较低的问题,提出一种基于分割与分类的两段式深度学习网络。该网络是专为表面缺陷的检测、分割以及分类而设计的。第一阶段利用YOLOv5算法对钢材表面的缺陷进行定位、分割;第二阶段使用EfficientNet网络对钢材表面的六种缺陷类型进行分类。实验结果表明,相较于传统的YOLOv5算法,该方法的平均精准度提高了16%,适合用于钢材表面缺陷检测。

基于改进YOLOX的钢材表面缺陷检测算法

针对工业生产中钢材表面背景复杂导致缺陷检测精度低的问题,本文提出一种基于改进YOLOX的钢材表面缺陷检测算法。首先,引入了Swin Transformer模块来捕获缺陷钢材表面区域全局上下文信息并提取更多差异化特征;其次,采用加权双向特征金字塔网络(BiFPN),能够方便、快速的进行跨尺度特征融合;最后,对原始目标定位损失函数进行改进,建立了一种融合边界框中心位置的CIoU损失函数从而实现目标框高精度定位。实验表明,算法在NEU-DET数据集上的mAP为80.7%,检测精度相较于原始YOLOX-S网络提高了6.2%,同时也明显高于一些其他主流算法,具有较高的准确率和实用性。

基于改进YOLOv8s的钢材表面缺陷检测

针对YOLOv8s模型在钢材表面缺陷检测任务中特征提取能力不足、特征融合不充分以及收敛速度慢、回归精度差等问题,提出一种基于改进YOLOv8s的钢材表面缺陷检测算法。首先,为了使模型关注更多维度的特征信息,将YOLOv8s模型主干网络和颈部网络中的部分C2f模块替换为C2f-Triplet模块;其次,为了使模型在更大的感知区域内聚合上下文信息,将YOLOv8s模型颈部网络中的最近邻上采样模块替换为内容感知特征重组(content-aware reassembly of features,CARAFE)上采样算子;最后,为了提高模型收敛速度和回归精度,将原YOLOv8s的CIoU回归损失函数替换为SIoU损失函数。实验结果表明:在NEU-DET数据集上,改进后的YOLOv8s钢材表面缺陷检测算法较原YOLOv8s算法精确率提高1.6百分点,平均精度均值提高2.2百分点。相比于目前主流的钢材表面缺陷检测算法,改进后的YOLOv8s钢材表面缺陷检测算法可以更加准确地检测出钢材表面缺陷的类别和位置,并且模型相对较小,便于在移动端部署。

基于PC-YOLOv7算法钢材表面缺陷检测

针对钢材表面缺陷检测中存在检测精度低、模型尺寸大等问题,提出一种基于YOLOv7-tiny网络改进的算法模型PC-YOLOv7。首先将PC-ELAN结构替换主干网络中部分ELAN结构,降低模型参数量和模型尺寸;其次在特征融合网络(Neck)部分采用双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)增强图像高层语义信息和低层特征信息融合性能,在输出端引入SPD-Conv提高模型对低分辨率物体的检测能力;最后,提出SimCS-CA模块并引入特征融合网络增强模型的特征表示性能。实验结果表明,PC-YOLOv7算法在NEU-DET数据集上平均精度均值(mAP)达到了78.5%,相比原始YOLOv7-tiny算法在模型尺寸降低情况下准确率和mAP分别提升了10.6%和4.2%,验证了改进算法的有效性。

基于CBE-YOLOv5的钢材表面缺陷检测方法

针对钢材表面缺陷种类多,背景干扰强且尺度变化多样导致的检测效率低、精度差的问题,提出了一种钢材表面缺陷检测算法CBE-YOLOv5。在YOLOv5算法基础上进行改进,通过主干采用坐标注意力机制,加强对目标的关注,提高特征提取能力;用BiFPN作为特征提取网络,给出有效的特征对应权重,以充分融合不同尺度的特征,并通过EIOU来计算模型损失,使模型能更精确的回归。在公开数据集NEU-DET上的实验结果表明,CBE-YOLOv5算法mAP为75.5%,较YOLOv5提高了3.8%,检测速度也高于一些常见的目标检测算法,能够更准确、更快速地检测到钢材表面的缺陷。

海洋环境下钢材表面镀铝工艺的研究进展

钢材作为基础性结构材料被广泛应用于海洋工程领域,随着国家对海洋开发的支持力度不断加大,对应用于此环境下的钢材的需求也不断增加。但是,暴露于苛刻海洋环境下的钢材极易与周围的含氯、硫等介质发生反应而受到严重腐蚀,同时,潮汐、日照、溶解氧、微生物以及深海压力和热液带来的高温等环境条件也会加速钢材的腐蚀,严重影响海洋工程设施的服役安全、寿命以及可靠性。因此,对钢材进行表面处理提高其耐腐蚀性能成为研究热点,其中涂层制备技术是最常用的腐蚀控制方法。铝及铝合金在腐蚀环境及高温氧化环境下表面可以形成一层致密的氧化膜,是一种常用的耐腐蚀涂层材料,通过不同工艺在钢材表面制备的铝涂层已达到了长效的防腐蚀效果。目前,制备铝涂层的工艺主要有热浸镀法、电镀法、包埋渗铝法及热喷涂法等。热浸镀铝工艺因操作简单、成本低廉而被广泛应用于海洋平台、海洋码头、桥梁等海洋基础设施。电镀铝工艺制备的涂层厚度、组织、形貌可控,可以实现在微小零件上的精准沉积。新型绿色环保的离子液体体系的开发,在提高电镀效率和涂层质量的同时降低了对环境的污染。粉末包埋渗铝制备的涂层具有极高的抗高温氧化性能,被广泛应用于海洋油气开采工程。低温包埋渗铝工艺可避免传统渗铝工艺高温导致的钢材力学性能下降。此外,浆料渗铝以及气相渗铝等工艺的开发拓宽了渗铝工艺的应用领域。热喷涂工艺在海洋环境下应用最为广泛,所制备的铝涂层具有极高的耐腐蚀性能,其中火焰喷涂、电弧喷涂、冷喷涂等工艺能够实现新型防腐蚀铝涂层的设计与制备。本文针对海洋环境下应用的钢材,详细介绍了在其表面镀铝工艺的研究进展,包括热浸镀、电镀、包埋渗铝和热喷涂等,并对不同镀铝工艺在海洋环境下的应用及发展方向做了展望。

基于改进Faster R-CNN的钢材表面缺陷检测方法

针对传统Faster R-CNN(Region-Convolutional Neural Networks)检测钢材表面小目标性缺陷性能差的问题,提出了一种基于改进Faster R-CNN的钢材表面缺陷检测方法。首先引入导向锚点候选区域网络(GA-RPN:Guided Anchoring Region Proposal Network)预测锚点的位置和形状,设计可调节机制解决网络锚点形状偏移量超出感兴趣区域的问题,从而解决无关特征的影响;其次,提出多任务FPN(Feature Pyramid Network)结构缩短高层特征定位信息映射路径,并能解决相邻层特征融合再采样的不充分特征融合,提高小目标检测性能。将改进的Faster R-CNN算法应用于钢材表面缺陷检测。仿真结果表明,改进的网络其召回率与准确率都得到提高,具有更好的检测性能。

基于脉冲神经网络的钢材表面缺陷识别研究

目的针对现有钢材缺陷识别算法特征图利用不充分、识别准确率低、参数量大等问题,基于脉冲神经网络,提出一种用于钢材缺陷识别的稠密卷积脉冲神经网络(DCSNN)模型,减少系统消耗和内存占用。方法首先,采用卷积编码,对输入图片进行特征提取和编码。其次,采用稠密连接算法搭建稠密卷积脉冲神经网络,实现特征重复利用,抑制梯度消失,并通过替代梯度下降算法进行网络训练。最后,在带钢数据集上进行测试,实现带钢缺陷识别。结果实验结果显示,DCSNN在测试集上的准确率为98.61%,参数量为0.5万,结论在钢材表面缺陷识别问题上表现出良好效果。

基于神经网络的钢材表面裂纹定量检测方法的研究

介绍基于神经网络的钢材表面裂纹定量检测原理及方法 ,设计了基于LabVIEW的钢杆裂纹缺陷漏磁定量检测系统 ,并对钢杆表面横向裂纹缺陷进行模拟实验 ,运用神经网络技术初步建立数学模型 ,通过评判Vpp得到反映裂纹状况的定量检测结果 ,从而验证了该方法的可行性 。

基于脉冲涡流热成像钢材表面裂纹检测效果分析

基于脉冲涡流热成像检测技术原理设计开发检测平台,以截面125 mm×125 mm,壁厚5 mm的Q345D方矩管为试验材料,在其表面机加工不同深度和角度的矩形凹槽作为裂纹。裂纹区域和无裂纹区域的温差大小直接决定检测效果的优劣,以被检材料传送速度、感应加热功率和线圈提离为3个因素做正交试验,带有裂纹的方矩管在匀速动态状态下被检测,通过对每组试验不同深度裂纹和无裂纹区域的温差数据分析,得到各因素对检测效果的影响趋势和程度。最后通过试验判定感应加热对不同角度裂纹检测效果的影响。结果表明:加热功率和线圈提离对裂纹检测效果影响显著,传送速度影响较小;裂纹自身深度和角度对检测效果有很大影响,深度越大,越容易检测;裂纹与涡流之间的角度越大,检测效果越好。

改进YOLOv5的钢材表面缺陷检测算法

针对传统钢材表面缺陷检测方法存在检测效率低、检测精度差等问题,提出一种基于改进YOLOv5的钢材表面缺陷检测算法。首先使用GhostBottleneck结构替换原YOLOv5网络中的C3模块和部分卷积结构,实现网络模型轻量化;其次在Backbone部分引入SE注意力机制,对重要的特征通道进行强化;最后针对数据集特点在网络中增加一个检测层,强化特征提取能力,并在Neck部分增加特征融合结构,使用DW卷积替换部分标准卷积以减少运算量。实验表明,改进的YOLOv5s-GSD算法,模型体积减少了10.4%,在测试集上的mAP值为76.8%,相比原YOLOv5s网络提高了3.3%,检测精度和速度也明显高于一些主流算法。相比传统的钢材表面缺陷检测方法,提出的算法能够更加准确、快速地检测出钢材表面缺陷的种类和位置,并且具有较小的模型体积,方便于在移动端的部署。

基于FF R-CNN钢材表面缺陷检测算法

针对深度学习算法检测钢材表面缺陷时,结构信息减少导致检测精度低的问题,提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。首先利用主干网络提取特征图,通过融合特征图的方式,达到减少结构信息丢失的目的;进一步将生成的特征图输入RPN网络生成区域建议框;最后利用检测网络对区域建议框进行分类与回归,通过级联2个检测网络,实现精确检测结果的目标。对模型进行对比性实验分析,找出检测精度最优的算法模型。在NEU-DET数据集上对提出的算法进行了检验,主干网络采用VGG-16比采用Resnet-50的检测精度提高了2.40%;通过融合特征,检测精度提高了11.86%;通过检测网络的级联,检测精度提高了2.37%.通过对算法模型的不断改进和优化,检测精度达到了98.29%.与传统的钢材表面检测方法相比,改进算法能够更准确地检测出钢材表面缺陷的种类和位置,提升对钢材表面缺陷的检测精度。