基于改进BiSeNetV2的工具语义分割算法

针对发电机风洞检修场景下检修工具自动化检测任务,提出了一种改进BiSeNetV2的检修工具语义分割算法。在细节分支末端增添SPPFCSPC模块融合不同尺度的特征,并将细节分支中的标准卷积替换为深度可分离卷积,显著降低计算量。在语义分支中添加高效通道注意力模块优化特征提取性能,提升分割的精度。实验结果表明改进的BiSeNetV2算法能精准检测检修工具位置信息,相比于BiSeNetV2,该算法MIoU提升了3.7个百分点,推理速度提升了16.4%。

基于改进BiSeNetV2的裂缝检测与识别

裂缝作为固体材料中较为常见的某种不连续现象,是固体结构破坏的开始,及时对裂缝进行识别和检测,并对检测结果进行分析,采取相对应的措施,能够较好地防止事故发生,保障工程作业中的安全。目前裂缝识别主要依靠人工检测,存在劳动强度大、耗时长、精确度不高、危险、耗费高等问题,为此基于数字图像处理技术的裂缝智能识别被广泛研究,然而裂缝表面纹理不规则、噪声的复杂信息,影响了识别精度。为了解决常见固体材料的裂缝智能识别问题,提出了以轻量级语义分割网络模型BiSeNetV2来进行裂缝自动检测,同时自主构建裂缝数据集。实验表明,改进后的裂缝识别模型识别精度提升了7.6%。基于BiSeNetV2的裂缝识别模型,能对裂缝进行精准检测和识别,解决人工识别存在的各类问题。

基于双边实时语义分割的金属缺陷检测

带钢表面缺陷的实时检测对现代工业提升产品质量、维护生产安全具有重要意义。然而,由于工件表面缺陷种类繁多、类内差异明显、类间相似度高,现有的缺陷检测方法难以兼顾准确度和推理速度。因此,在Bisenetv2基础上提出一种改进的双边实时缺陷分割网络模型。首先,改进原网络的上下文嵌入块以更好地对语义特征进行补充;其次,重新设计聚合层,采用双门控引导机制补充语义分支缺失的细节,避免使用不必要的卷积来选择聚合特征;最后,在检测阶段引入循环交叉自注意力模块,从远程依赖中捕获上下文信息以加强特征。模型在关注语义信息的同时采用浅层特征共享实现参数的大量减少。利用本文模型在NEU缺陷数据集上进行检测实验,与Bisenetv2相比,在参数量减少4%的情况下,MIou、MF指标数据均有所提升,兼顾了检测的准确性与实时性。