基于YOLOv3的芯片缺陷检测模型设计与优化

传统的芯片缺陷检测效率低,鉴于深度学习在机器视觉领域应用广泛且效果显著,基于YOLOv3神经网络模型设计了微波芯片缺陷检测模型并加以优化。将原来的损失函数改为完全交并比(CIoU)损失函数,以优化真实框与预测框之间重合度的计算方法;增加了空间金字塔池化(SPP)结构,以实现不同尺寸特征融合;用高效的k-means++聚类算法计算出更加适用于微波芯片缺陷数据集的初始锚框;采用空间注意力机制(SAM)提高模型对芯片缺陷图像的关注能力。实验结果表明,与YOLOv3模型相比,优化后的模型在芯片缺陷检测方面效果更佳,mAP@0.5提高了2.06%,mAP@[0.5∶0.95]提高了17.52%。

基于改进YOLOX-s的轻量级型钢表面缺陷检测算法

单阶段目标检测网络特征融合性能不足,且型钢生产现场计算资源受限,导致型钢表面缺陷检测精度较低。针对上述问题,提出一种改进YOLOX-s的轻量级型钢表面缺陷检测算法。首先,提出一种轻量级双路并行注意力模块并将该模块引入YOLOX-s,以提高网络对缺陷特征的敏感度和提升有效特征的提取效率;其次,在Neck中构建双向特征金字塔网络(BiFPN)加权特征融合路径,促进浅层细节特征与深层语义特征的交互融合,强化网络特征融合能力,并在网络中引入深度可分离卷积(DSC)对模型进行轻量化处理;最后,将模型的边界框回归损失函数替换为完全交并比(CIoU)损失,加快模型收敛,提升预测框的定位精度。在NEU-DET数据集上的实验结果表明,所提算法的平均精度均值(mAP)达到了74.6%,比原始YOLOX-s提升了4.8个百分点,推理帧率达到75.2 frame/s,能够满足实时性检测的需求;生产现场采集的型钢数据集进一步验证了所提算法的可行性。

基于YOLOXs的TERMINAL_PIN焊接面表面缺陷检测方法

在新能源汽车(NEV)行业,TERMINAL_PIN焊接面存在缺陷会导致安全事故。针对目前TERMINAL_PIN焊接面缺陷数据集的空缺,现有模型检测小目标物体时存在鲁棒性差、准确率低和训练时间长等问题,首先,从东莞某公司的自动化生产线上收集TERMINAL_PIN焊接面缺陷的图像,构建TERMINAL_PIN焊接面缺陷数据集;其次,提出一种基于YOLOXs的TERMINAL_PIN焊接面表面缺陷检测方法,在预测端的解耦头中加入高效通道注意力(ECA)模块和空间注意力(SA)模块,通过生成的通道和空间注意权重值,抑制干扰信息,增强模型对目标特征的关注度,提高模型对有用信息的利用程度;为了加快收敛,让预测框更符合真实框,在损失函数中引入完全交并比(CIoU)。实验结果表明,改进后的YOLOXs在TERMINAL_PIN焊接面缺陷数据集上的平均精度均值(mAP)值达91.98%,比原始YOLOXs高4.35个百分点,确保TERMINAL_PIN焊接面缺陷检测有较高的准确率。

改进的RetinaNet目标检测算法

针对经典一阶段目标检测算法RetinaNet难以充分提取不同阶段特征、边界框回归不够准确等问题,提出一个面向目标检测的改进型RetinaNet算法。在特征提取模块中加入多光谱通道注意力,将输入特征中的频率分量合并到注意力处理中,从而捕获特征原有的丰富信息。将多尺度特征融合模块添加到特征提取模块,多尺度特征融合模块包括1个路径聚合模块和1个特征融合操作,路径聚合模块通过搭建自底向上的路径,利用较浅特征层上精确的定位信号增强整个特征金字塔的信息流,特征融合操作通过融合来自每个阶段的特征信息优化多阶段特征的融合效果。此外,在边界框回归过程中引入完全交并比损失函数,从边界框的重叠面积、中心点距离和长宽比这3个重要的几何因素出发,提升回归过程的收敛速度与准确性。在MS COCO数据集和PASCAL VOC数据集上的实验结果表明,与RetinaNet算法相比,改进型RetinaNet算法在2个数据集上的平均精度分别提高了2.1、1.1个百分点,尤其对于MS COCO数据集中较大目标的检测,检测精度的提升效果更加显著。

改进YOLOv3的火灾检测

针对火灾检测中小目标检测率低、复杂场景下检测精度低和检测不及时等问题,提出了一种改进YOLOv3的火灾检测算法.首先,通过改进的K-means聚类算法重新获取更符合火焰和烟雾尺寸的anchor;其次在Darknet-53后添加空间金字塔池化,提升了网络的感受野进而增强了网络对小尺度目标的检测能力;然后通过CIoU改进损失函数,在计算坐标误差时考虑中心和宽高坐标两者的相关性,加快了损失函数的收敛;最后使用mosaic数据增强丰富了待检测物体的背景.在自制的数据集上训练并测试,实验结果表明:改进后的算法比YOLOv3火焰的AP从94%提升至98%,烟雾的AP从82%提升至94%,平均检测速度从31 fps提升至43 fps,相比Faster R-CNN、SDD等算法也有更高的mAP和更快的检测速度.因此,改进后的算法能够更有效地进行火灾预警.

关于集合可列交、并运算可交换的一个充要条件

:本文给出一个关于集合的可列交运算与可列并运算可交换的充分必要条件

复杂环境下的冰箱金属表面缺陷检测

为了提升冰箱金属表面的缺陷检测效率,从而应对复杂的生产情况,提出了Metal-YOLOv3模型。使用随机参数变换,将缺陷数据进行了数百倍的扩充,改变原有YOLOv3模型的损失函数,引入了基于完整交并比(CIoU)所设计的CIoU损失函数,用缺陷的分布特性来降低非极大值抑制算法的阈值,并基于K均值聚类算法计算出更适合数据特点的先验框(anchors)值以提升检测精度。在一系列的实验后,发现Metal-YOLOv3模型在检测速度上远胜于主流的区域卷积神经网络(R-CNN)模型,每秒传输帧数(FPS)达到7.59,是Faster R-CNN的14倍,而且平均精确度(AP)也达到了88.96%,比Faster R-CNN高11.33个百分点,说明所提模型同时具备良好的鲁棒性与泛化性能。可见该方法具备有效性,能实际应用于金属制品的生产。

基于改进级联R-CNN的面料疵点检测方法

由于布匹疵点种类分布不均,部分疵点具有极端的宽高比,而且小目标较多,导致检测难度大,因此提出一种改进级联R-CNN的布匹疵点检测方法。针对小目标问题,在R-CNN部分采用在线难例挖掘,加强对小目标的训练;针对布匹疵点极端的长宽比,在特征提取网络中采用了可变形卷积v2来代替传统的正方形卷积,并结合布匹特征重新设计边界框比例。最后采用完全交并比损失作为边界框回归损失,获取更精确的目标边界框。结果表明:对比改进前的模型,改进后的模型预测边界框更加精确,对小目标的疵点检测效果更好,在准确率上提升了3.57%,平均精确度均值提升了6.45%,可以更好地满足面料疵点的检测需求。

YOLOv5上融合多特征的实时火焰检测方法

在自然场景中,天气情况、光照强度、背景干扰等问题影响火焰检测的准确性.为了实现复杂场景下实时准确的火焰检测,在目标检测网络YOLOv5的基础上,结合Focal Loss焦点损失函数、CIoU(Complete Intersection over Union)损失函数与多特征融合,提出实时高效的火焰检测方法.为了缓解正负样本不均衡问题,并充分利用困难样本的信息,引入焦点损失函数,同时结合火焰静态特征和动态特征,设计多特征融合方法,达到剔除误报火焰的目的.针对国内外缺乏火焰数据集的问题,构建大规模、高质量的十万量级火焰数据集(http://www.yongxu.org/data bases.html).实验表明,文中方法在准确率、速度、精度和泛化能力等方面均有明显提升,同时降低误报率.

改进YOLOv3和DeepSort的多目标跟踪算法

针对多目标跟踪在遮挡时漏检或ID切换问题,提出了一种基于改进YOLOv3和DeepSort的算法。该算法对YOLOv3用CIOU损失代替原算法中的边界框损失函数,同时用K-means++算法重新聚类选取适合的先验框。采用改进的YOLOv3对目标进行检测,利用卡尔曼滤波进行预测和更新,在级联匹配中用匈牙利算法进行匹配,二次匹配时对未成功匹配及未匹配的检测结果用GIOU匹配。改进后的YOLOv3比原YOLOv3在KITTI数据集上的均值平均精度提高了2.19%,F1-score提高了1.23%,该算法能够在部分遮挡时跟踪目标并保持ID不变。

基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测

针对钢轨表面缺陷检测中,钢轨表面图像存在背景不均匀、缺陷尺度变化大且样本数据不足的问题,提出一种基于图像增强与改进Cascade R-CNN的钢轨表面缺陷检测方法。首先,采用改进Retinex算法处理钢轨表面图像,增强缺陷与背景的对比度。然后,采用改进Cascade R-CNN对钢轨表面缺陷进行检测,并应用交并比(IoU)平衡采样、感兴趣区域对齐和完全交并比(CIoU)损失分别解决训练样本IoU分布与困难样本IoU分布不平衡、感兴趣区域池化中取整量化导致的感兴趣区域与提取的特征图不匹配和回归损失Smooth L1对于预测边框回归不准确的问题。最后,采用翻转变换、随机剪裁、亮度变换和生成对抗网络等方法增广钢轨表面缺陷图像数据集,消除样本数据不足导致的网络训练过拟合现象。实验结果表明,该方法以ResNet-50作为特征提取器,平均精度可达98.75%,相对于未改进的Cascade R-CNN提高了2.52%,且检测时间缩短了24.2 ms。

药片与模糊集

根据概念原理举例说明模糊集取大取小运算的不完备性,即词不达意的问题.