GCA-YOLO:一种改进的钢铁表面缺陷检测算法

针对现有钢铁表面缺陷检测算法存在检测精度低、实时性差及参数量大等问题,提出了一种改进的钢铁表面缺陷检测算法——GCA-YOLO.该算法通过嵌入Ghost模块形成C3Ghost结构进行基本特征提取,并用GhostConv替换颈部普通卷积,确保模型检测精度的同时减少模型参数量.在主干网络中融入坐标注意力机制(coordinate attention,CA),增强模型捕获方向和位置信息的敏感度.在下游特征融合网络中引入ACmix模块,集成了自注意力机制和卷积模块,以较低的计算成本提升网络性能.同时,采用SIoU损失函数以提高检测框回归精度.在NEU-DET数据集上的实验结果表明:与原始算法相比,改进算法的平均精度提高10.96百分点,参数量降低了40.68%,仅为4.17 M.对比其他主流目标检测算法,改进算法在精度、速度上均有显著提升,复杂度大幅降低,能够满足钢铁表面缺陷检测的实时性需求.

基于YOLOv5s的钢铁表面缺陷检测算法

为改善因小目标检测效果差而导致的钢铁表面缺陷检测精度差的问题,以YOLOv5s为基础,通过在主干网络添加注意力机制(attention mechanism,SE),将C2f模块代替C3模块,将双向特征金字塔网络(bidirectional feature pyramid network,BIFPN)网络代替颈部网络中的路径聚合网络(path aggregation network,PAN)网络的这三种方法来提升模型对缺陷小目标的检测能力。旨在提升检测精度并达到实时检测要求。结果表明,改进后的YOLOv5s-SCB算法在NEU-DET(northeastern university-detect)上的均值平均精度(mean average precision,mAP)值达到77.9%,在达到实时检测的前提下,相较于YOLOv5s网络提高了3.7%,与其余基于YOLOv5s改进的算法及YOLOv8相比,YOLOv5s-SCB实现了更好的检测效果。可见本文提出的钢铁表面缺陷检测算法YOLOv5S-SCB可以更好地完成钢铁表面缺陷检测。

基于YOLOv5s网络改进的钢铁表面缺陷检测算法

针对目前钢铁表面缺陷检测算法存在检测精度低、检测速度慢和模型复杂度高等问题,提出基于YOLOv5s改进的钢铁表面缺陷检测算法。将SE通道注意力模块融入骨干网络中以增大缺陷特征通道权重,降低背景干扰,提高算法对缺陷特征的提取能力;在颈部网络融入STR多头自注意力模块,提高缺陷边缘纹理等细节特征的比重;改进损失函数为SIoU,缩短预测框回归收敛过程以提高算法检测速度。实验结果表明:改进算法在NEU-DET数据集上的mAP值为80.4%,较YOLOv5s提高5.5%,每秒处理帧数为100,算法体积降低约8.3%,算法计算量降低约4.3%,对比其他的目标检测算法,改进算法在检测精度、检测速度上均明显提升,模型复杂度降低明显。改进算法可满足实时钢铁表面缺陷检测需求。

钢铁零件表面缺陷检测的改进YOLOv5-FGC识别算法

针对传统YOLOv5算法在钢铁零件表面缺陷检测过程中存在诸多难分类样本,全局特征提取不足导致检测精度较低等问题,提出了一种基于YOLOv5-FGC的钢铁零件表面缺陷检测方法。该方法引入Focal-EIOU Loss替换预测框回归的CIOU损失函数,提高了模型的收敛速度和准确率,使边框回归更为精准;在Backbone中加入全局注意力机制(Global Attention Mechanism,GAM),提高全局特征提取能力,对空间和通道中的重要特征进行强化;通过加入C2f模块增加网络模型的梯度路径,让网络能够提取更多的特征,加强了特征提取的鲁棒性,提高了网络对钢铁零件缺陷的检测精度。对比试验以及消融实验表明,改进后的YOLOv5-FGC算法在NEU-DET数据集中的裂纹、夹杂、斑块、压入氧化皮、麻点、划痕六类缺陷中检测的平均精度达到了78.2%,在YOLOv5原始网络模型基础上mAP值提高了4.7%,对比Faster RCNN模型提高了36.7%,FPS达到了91帧/s,能够快速、准确的对钢铁零件表面缺陷进行检测。

RBF在钢铁材质缺陷检测中的应用研究

针对钢铁件材质缺陷检测问题,介绍了基于初始幅值磁导率法的一种电磁无损检测方法。为了提高检测的效率和准确率,将RBF神经网络设计成为新的识别系统通过对钢铁件样本数据进行的仿真测试表明,RBF神经网络系统识别效率较高且可靠,为电磁无损检测提供了一个新的思路。

基于深度学习的钢铁产品表面缺陷分类

在钢铁产品的生产过程中,难免会产生各种类型的缺陷,及时发现存在缺陷的钢铁产品至关重要。在实际的工业环境中,如何通过相关的手段提高缺陷图像分类准确率以更好地辅助人工筛选的过程是具有挑战性的。实际生产条件下的缺陷特征往往不够明显并且不同缺陷类别间可能存在相似度较大的现象,针对这一问题提出了基于Resnet34网络的多层特征融合方案,将特征进行融合后再经过全连接层进行分类,并将该方案用于缺陷分类系统,有效提升了系统的分类准确率。

基于两种U型网络的钢铁图像缺陷检测方法对比

针对钢铁图像缺陷检测问题,使用U型的深度学习神经网络模型U-Net和ResUNet对有缺陷的钢铁图像进行图像分割。通过python对钢铁图像进行数据统计,分析每类缺陷占比,以及缺陷数量与缺陷面积的关系。通过数据生成器依次将数据输入U-Net和Res-UNet模型,对比在相同损失函数下的Tversky系数和损失率。实验结果表明,Res-UNet模型的Tversky系数优于U-Net模型,且Res-UNet模型损失率低于U-Net模型,Res-UNet模型可以更准确地预测钢铁缺陷位置和缺陷类别。

基于深度并行注意卷积神经网络的热轧带钢表面缺陷自动识别

通常来说,热轧带钢表面缺陷的存在会对工业生产的产品质量和外观造成较严重的影响。然而由于钢材表面的特征与背景对比度低且耗费大量的人力,导致传统的图像检测算法满足不了现代工业的需求。为了提高表面缺陷识别的分类效率和精度。首先,本文提出了一种准确率高的深度学习神经网络,即深度并行注意卷积神经网络(Deep Parallel Attention Convolutional Neural Network,DPACNN),用于自动识别6种热轧粗带钢表面缺陷。在该网络中,将通道注意力机制与并行模块相结合,使网络在融合不同特征信息的同时也能够集中于重要的特征信息而不造成信息丢失。其次,为了验证模型的鲁棒性和泛化性将数据集做了添加随机噪声、遮挡物等处理。最后,实验结果表明,DPACNN模型的识别准确率、精密度和曲线下面积(AUC)分别达到99.37%、99.38%和99.67%,该方法显著提高了分类的平均精度,且模型能够较快收敛。

基于YOLO的双层注意力缺陷检测算法

为了解决钢铁缺陷检测任务中小尺度、形态复杂、结构模糊目标导致现有算法精度低漏检率高问题,提出了基于YOLOv5s的SDD-YOLO算法。SDD-YOLO通过使用双层路由Transformer将局部特征与全局特征结合,提高对结构模糊的缺陷的检测效果;设计了全新的CSDA注意力,增强空间和通道的信息交互能力;使用NWD距离改进NMS算法,提高对小尺度目标的检测精度;设计了一种新的特征提取结构,降低梯度信息损失。使用增强后NEU-DET数据集实验后表明,SDD-YOLO算法相比YOLOv5s召回率提升了6.22%,平均精度均值提高了5.38%,提高了对多种缺陷类型的检测能力同时能够满足实时检测的需求。

基于轻量化二值神经网络的钢铁表面缺陷分类

基于二值化网络提出了轻量二值化钢铁缺陷分类网络(Lightweight Binarized Steel Defect Classification Network,LBSDC-Net),以期实现实时高精度的钢铁缺陷自动分类。首先,基于可变阈值符号函数和组卷积的理念,设计了双阈值型组卷积模块,以在压缩网络模型的同时最小化二值组卷积引起的信息损失,将基础网络模型大小降低了31.2%,精度仅下降0.34%;其次,通过调整下采样卷积的步长并结合最大池化,降低了残差网络中捷径分支下采样时的信息损失,提升了网络的分类性能;在NEU-CLS钢铁缺陷数据集上的实验结果表明,网络模型大小为11.86 MBit时,LBSDC-Net网络在钢铁缺陷分类任务中准确率达到99.06%。相较于基础网络Bi-Real-Net98.73%的准确率和17.23 MBit的网络模型大小,LBSDC-Net实现了网络规模的有效压缩,还提升了分类精度。