基于B-YOLOv5的轻量化裂缝检测算法

针对当前公路路面缺陷检测算法存在的特征提取不完善且难以部署到嵌入式设备上、细小裂纹及凹坑漏检等问题,以YOLOv5算法为基础,使用DepthSepConv模块代替原有的C3结构,把原有的CSPDarknet53主干网络改进成了更加轻量化的网络结构,结合BIFPN特征融合思想,将原来的PANet路径融合结构改进为一种更有效的带权重的B-PANet特征融合结构。试验结果表明,所改进的B-YOLOv5算法在相同的数据集和试验条件下,不仅精度提高了5.81%、检测速度提升两倍,还可降低细小裂纹和凹坑的漏检率,模型参数大小也仅仅是YOLOv5的八分之一。B-YOLOv5算法完全可以满足实时性的需要,且可更好地部署在Jetson Xavier NX嵌入式设备上。

基于改进YOLOv5s的滚动轴承表面缺陷识别算法

为了解决机械设备轴承表面缺陷检测中多目标情形下的小目标漏检率高、检测速度慢、模型精度和特征提取泛化能力不足的问题,提出一种滚动轴承表面缺陷识别网络模型YOLOv5s-CDOD。在卷积操作前,使用B-ConvNeXt网络平衡模型的精度和复杂度,保留轴承表面小目标缺陷的特征,同时提升模型的泛化能力;通过将YOLOv5s网络中的传统卷积模块替换为具有二次深度过参数化卷积的卷积(DOD-Conv)模块,在不增加模型参数的情况下,提高模型的识别精度和速度;最后,在特征处理阶段,使用VariFocal Loss损失函数,增加模型对正样本目标的学习,对轴承小目标缺陷的检测精度进一步提升。实验结果表明:与原YOLOv5s网络相比,优化后的网络参数量减少了10%,使得模型的检测速度明显提升;同时,所提模型的平均检测精度达到了94%,对轴承表面小目标缺陷的识别率也有所提高。

基于Web和深度学习的手语翻译系统的设计与实现

随着互联网和人工智能技术的快速发展,手语翻译系统的需求日益增多。相较于传统的人工手语翻译方法,通过人工智能技术结合Web方法来实现在线手语翻译,可以有效提升手语翻译的效率。该系统首先使用YOLOv5方法设计适合的手语翻译模型,并在相关数据集上进行验证,得到了良好的效果。然后使用B/S架构搭建网站系统、Spring Boot框架和React组件,实现快速开发,并根据现实场景设置功能模块。最后,将手语翻译模型嵌入Web网站,为听障人士和手语学习者提供一个学习、交流的平台,为听障人士提供便利。

基于深度学习的超声B扫描图像处理缺陷识别实验研究

本文旨在利用深度学习图像处理技术,提出一种基于YOLOv5网络结构的缺陷检测算法对超声B扫描图像进行缺陷识别实验研究。通过对工件进行线性阵列相控阵超声检测,连续采集到多幅B扫描图像或实时采集视频数据,并对图像进行预处理和增强操作。在此基础上,构建神经网络模型,并对预处理后的大量数据集进行标定。使用Pytorch深度学习框架进行数据集训练,结果表明改进的YOLOv5算法对缺陷的目标检测召回率识别达到96.2%,对底波缺失的目标检测召回率达到96.3%。实验结果表明,基于改进的YOLOv5算法在mAP0.5指标上有1.4%的提升,在mAP0.5:0.95指标上有6%的检测性能提升。