基于改进BiSeNet V2的手机盖板缺陷检测方法

为实现手机盖板表面缺陷自动化检测,提出一种基于改进BiSeNet V2语义分割缺陷检测方法。首先,融合加权图像差分方法进行缺陷特征增强以便于网络模型提取缺陷特征;然后,用分组膨胀卷积层来提取细节分支网络不同尺度的缺陷特征以减少浅层细节信息的损失,引入通道注意力机制,自适应学习并校准缺陷特征通道之间的相关性,增强网络模型提取缺陷特征的能力;最后,解码网络采用多尺度特征融合方法,恢复特征提取过程中损失的局部细节信息,提高缺陷检测的分割精度和准确率。由实验结果可知,所提方法的缺陷检测准确率为91.27%,误分类率为5.02%,缺陷检出率为96.29%,缺陷漏检率为3.71%,正常样本误检率为1.00%,因此所提改进的网络模型对手机盖板表面各类缺陷具有较好的检测效果。

基于图像识别的弓网接触点检测方法

针对现有受电弓-接触网(弓网)接触点检测方法无法兼顾实时性与准确性的问题,提出两阶段快速检测方法.在第1阶段提出基于改进BiSeNet v2的弓网区域分割算法.采用浅层特征共享机制将细节分支提取的浅层特征送入语义分支中获取高层语义信息,减少冗余参数;将压缩激励注意力模块嵌入网络中,增强重要通道信息;加入金字塔池化模块提取多尺度特征,提高模型精度.在第2阶段,基于分割结果,使用直线拟合和位置校正实现接触点的检测.实验结果表明,所提分割算法精度为87.50%,浮点运算数为6.73 G,在CPU(Intel Core I9-12900)和JETSON TX2上推理速度分别为49.80、12.60帧/s.所提检测方法在弓网仿真平台和双源智能重卡的弓网系统中进行实验,实验结果表明,该方法能够有效检测弓网接触点.

基于图像的道路语义分割检测方法

针对现有语义分割网络模型在道路语义分割方面检测精度低、计算量大等问题,基于BiSeNet V2网络模型进行优化改进,引入一种高效的通道注意力(efficient channel attention,ECA)模块,在BiSeNet V2的语义分支和细节分支的每个阶段末端分别加入ECA,得到ECA-Semantic-BiSeNet V2网络。使用实车采集道路图像数据进行标注并构建自采数据集,在Cityscapes数据集、KITTI数据集及自采数据集上分别对改进前后的网络模型进行试验验证。试验结果表明,与BiSeNet V2模型方法相比,本研究方法在Cityscapes数据集上MIoU提高14.01%,在KITTI数据集上MIoU提高1.86%,同时在BiSeNet V2的语义分支加入ECA后运算量增加0.02 GFlops的条件下,模型推理速度提高了7.82帧/s。