基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,增加了压力容器检测焊缝缺陷时定级的难度.提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法.首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量;然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别.实验结果表明了该方法的有效性.     

基于形态学的焊缝X射线图像缺陷检测

通过对焊缝X射线图像进行垂直扫描,提取扫描线的线灰度曲线,提出了焊缝缺陷位置的检测算法.应用形态学滤波和分水岭变换对缺陷轮廓进行提取,实现了焊缝X射线图像缺陷的检测.对图像的实测结果表明,该方法能有效地对焊缝缺陷位置进行检测.     

基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别

针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集; 其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率; 最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92%,相比其他深度学习模型具有更高的检测精度和鲁棒性.     

基于改进的YOLOv5安全帽佩戴检测算法

针对安全帽佩戴检测中存在的误检和漏检的问题，提出一种基于YOLOv5模型改进的安全帽佩戴检测算法。改进模型引入多尺度加权特征融合网络，即在YOLOv5的网络结构中增加一个浅层检测尺度，并引入特征权重进行加权融合，构成新的四尺检测结构，有效地提升图像浅层特征的提取及融合能力；在YOLOv5的Neck网络的BottleneckCSP结构中加入SENet模块，使模型更多地关注目标信息忽略背景信息；针对大分辨率的图像，添加图像切割层，避免多倍下采样造成的小目标特征信息大量丢失。对YOLOv5模型进行改进之后，通过自制的安全帽数据集进行训练检测，mAP和召回率分别达到97.06%、92.54%,与YOLOv5相比较分别提升了4.74%和4.31%。实验结果表明：改进的YOLOv5算法可有效提升安全帽佩戴的检测性能，能够准确识别施工人员的安全帽佩戴情况，从而大大降低施工现场的安全风险。     

基于多类支持向量机的X射线焊缝图像缺陷类型识别方法

压力容器的焊缝结构多变,纹路复杂,这增加了压力容器检测时焊缝缺陷定级的难度,提出一种基于多类支持向量机的X射线焊缝图像缺陷类型识别方法。首先通过对X射线焊缝图像进行预处理及缺陷轮廓检测,提取表征焊缝缺陷的状态特征,以构造特征向量,然后基于多类支持向量机建立焊缝缺陷识别模型,对产品的焊缝缺陷进行分类识别。实验结果表明了该方法的有效性。     

基于深度学习One-stage方法的焊缝缺陷智能识别研究

目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求。针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别。通过采用特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法对YOLO网络进行改进,提高了网络对焊缝缺陷识别定位的准确率和速度。实验结果表明:该方法比two-stage识别定位算法和YOLO原网络在检测速度和检测精度方面都有所提升,单个图像的平均识别准确率为94.9%,召回率为94.1%,处理时间为19.58 ms,具备焊缝缺陷在线实时识别的工程应用价值。     

基于改进YOLOv5s的辣椒采摘机器人识别定位方法

为了准确研究辣椒采摘机器人受不同作业场景影响的规律，利用获取的采摘目标信息构建基于改进YOLOv5s的辣椒采摘识别定位模型.基于光照强度、光照角度、枝叶遮挡和果实重叠等场景建立图像数据库，引入双向特征金字塔网络改进YOLOv5s的特征融合网络进行深层次特征提取，以增强网络的信息表达能力，提高检测精度.探讨不同场景对该模型检测精度P、检出率R和平均精度均值(mean average precision, MAP)的影响规律.结果表明：改进后YOLOv5s模型对辣椒的检测精度高达95.6%,较YOLOv4、YOLOv3、YOLOv2及Faster R-CNN模型分别提高了6.1%,9.3%,44.4%,8.2%;光照角度处于正面90°时的检测效果最佳，MAP达97.3%;模型在白天强光和傍晚弱光场景下的鲁棒性好，MAP值高于90%;模型在枝叶遮挡场景下比果实重叠时的检测精度高；辣椒距离相机坐标系的空间坐标测量值取0.2 m时的误差仅为1 mm,满足辣椒采摘定位精度需求.     

基于改进YOLOv5算法的复杂场景交通目标检测

实时的交通场景目标检测是实现电子监控、自动驾驶等功能的先决条件.针对现有的目标检测算法检测效率不高，以及大多数轻量化目标检测算法模型精度较低，容易误检、漏检目标的问题，本文通过改进YOLOv5目标检测算法来进行模型训练，再使用伪标签策略对训练过程进行优化，然后在KITTI交通目标数据集上将标签合并为3类，对训练出的模型进行测试.实验结果表明，改进的YOLOv5最终模型在该所有类别上的mAP达到了92.5％，对比原YOLOv5训练的模型提高了3％.最后将训练的模型部署到Jetson Nano嵌入式平台上进行推理测试，并通过TensorRT加速推理，测得平均每帧图像的推理时间为77ms，可以实现实时检测的目标.     

基于改进YOLOv5的平贝母检测模型

现有平贝母表土剥离机智能化程度不高，在收获平贝母时存在造成平贝母损伤的问题，故需要研制一款智能化的平贝母表土剥离机，而实现智能表土剥离的第一步就是实现智能识别，因此，提出一种基于改进YOLOv5的平贝母检测模型YOLOv5-Swin-L。通过引入Swin transformer,在骨干网络中替换C3,减少序列长度和降低计算复杂度，从而简化模型的参数量；同时用ACON激活函数将原来网络结构中的激活函数替换，可提高模型的精确度，增加模型的鲁棒性。实验结果表明，改进后的YOLOv5-Swin-L对平贝母识别的准确率最高可达96.39%,召回率最高可达95.76%,优于YOLOv5系列的其他网络模型。     

基于改进YOLOv5的绝缘子缺陷检测算法

绝缘子缺陷检测是电网巡检过程中重要的一环,为提高绝缘子缺陷检测的精度,该文提出一种基于改进YOLOv5算法的绝缘子缺陷检测算法——YOLOv5t,能够在保证网络运行速度的条件下,提升网络的检测精度.该算法在YOLOv5s的基础上,将三重注意力机制(triplet attention)添加到骨干网络中,给予每个特征通道不同的权重,以提高网络的检测精度;并采用CIoU Loss作为网络回归损失的损失函数,提升网络的收敛速度;同时将Soft-NMS作为网络的预测结果处理方法,降低网络的漏检率.YOLOv5t与几种常用的缺陷检测网络的对比实验结果表明,YOLOv5t的准确率达到97.2%,召回率达到98%,平均精度均值达到99.1%,较YOLOv5s算法分别提升了0.9%、5.1%和2.1%,并且检测速度没有受到影响.     

X射线焊缝缺陷图像字典矩阵构建及求解算法

对埋弧焊X射线焊缝图像圆形、线形缺陷和噪声图像进行分析。以构建基于稀疏描述的模式识别字典矩阵为目标,通过分析各类X射线焊缝图像的相关性曲线,明确了稀疏描述技术中字典矩阵图像数量范围,提出一种适合于X射线焊缝图像识别的字典矩阵构建数学模型,并提出利用Hopfield神经网络求解该模型。给出了神经网络的能量函数及对应的求解方法。通过实例构建了X射线焊缝图像字典矩阵,并利用该字典矩阵进行了模式识别实验。实验表明,本文所提方法构建的字典矩阵具有较好的鲁棒性,圆形缺陷识别成功率可达97.5%,线形缺陷识别成功率可达97.0%。     

基于改进YOLOv5的钢轨表面缺陷检测

针对钢轨表面缺陷检测效率较低及抗干扰能力较差的问题,提出一种基于改进YOLOv5的钢轨表面缺陷检测算法.首先,采用图像增强操作对采集到的钢轨表面图像进行预处理,减轻高光、异物等噪声对检测效果的影响.其次,将多头自注意力层嵌入YOLOv5骨干网络末端,并为缺陷特征引入全局依赖关系,提升模型对密集缺陷的检测效果.最后,构建跨层加权级联结构,将浅层信息融入到深层网络中,使网络对缺陷边界的回归更为精准.实验结果表明：本文的钢轨表面缺陷检测算法对裂纹、剥落、磨损3类表面缺陷检测的平均精度均值达到98.2%,每秒帧数（Frames Per Second, FPS）达到77帧/s,能够在不同的环境条件中实现对缺陷的精准检测,比其他某些同类算法拥有更高的鲁棒性、准确性和实时性.     

射线检测图像中焊缝和缺陷的提取方法探讨

本文以射线检测图像中的焊缝及缺陷为研究对象,针对当前技术条件支持下焊缝及缺陷难以精确提取的这一问题展开了详细分析与讨论,在逐级局部化的作用之下总结出了一种新型射线检测方式。这种方式以图像自身所涵盖的信息数据为载体,将整个射线图区的图像信息划分为裂纹与非裂纹两大基本类型,并且提取射线图像中的焊缝与缺陷位置,确保其精确度与完整性。在该领域有着较为显著的实用性以及适应性。     

改进YOLOv5的钢材表面缺陷检测算法

针对传统钢材表面缺陷检测方法存在检测效率低、检测精度差等问题,提出一种基于改进YOLOv5的钢材表面缺陷检测算法。首先使用GhostBottleneck结构替换原YOLOv5网络中的C3模块和部分卷积结构,实现网络模型轻量化;其次在Backbone部分引入SE注意力机制,对重要的特征通道进行强化;最后针对数据集特点在网络中增加一个检测层,强化特征提取能力,并在Neck部分增加特征融合结构,使用DW卷积替换部分标准卷积以减少运算量。实验表明,改进的YOLOv5sGSD算法,模型体积减少了10.4%,在测试集上的mAP值为76.8%,相比原YOLOv5s网络提高了3.3%,检测精度和速度也明显高于一些主流算法。相比传统的钢材表面缺陷检测方法,提出的算法能够更加准确、快速地检测出钢材表面缺陷的种类和位置,并且具有较小的模型体积,方便于在移动端的部署。     

基于厚壁工件X射线实时成像的焊缝缺陷自动检测

基于X射线成像的焊缝缺陷自动检测技术对提高工业射线检测的自动化水平具有重要意义。焊缝缺陷在线连续检测的实时性要求较高,随着工件厚度的增加,其焊缝X射线实时图像的信噪比变得很低,使得已有的处理算法难以在满足实时性的同时,有效处理缺陷误检与漏检之间的矛盾。针对这些问题,在分析了传统方法在厚壁工件X射线图像焊缝缺陷自动检测中存在的问题基础上,对传统方法进行了改进,提出了双阈值背景消除法和平行焊接方向波形分析法,然后利用所提出算法之间的冗余性和互补性,融合多种分割结果以解决缺陷误检与漏检之间的矛盾。试验结果表明:所提出的缺陷自动检测方法能够在满足实时性要求的同时,实现缺陷检出,有效避免误检。     

基于YOLOv5s和超声图像的儿童肠套叠特征检测模型

为帮助医生快速寻找到儿童腹部超声中肠套叠的病变特征并实现肠套叠超声诊后数据的快速质检,文章将目标检测算法应用于儿童腹部超声图像检测肠套叠“同心圆”征.首先探索了基于YOLOv5s的儿童肠套叠检测模型,发现该模型检测肠套叠“同心圆”征的精确度、召回率、F₁分数、mAP@0.5、FPS以及参数量等方面均优于Faster RCNN.进一步,为解决肉眼难以观察的“同心圆”征的检测问题,使用双向特征金字塔网络,并将注意力机制加入YOLOv5s网络,形成基于YOLOv5s＿BiFPN＿SE框架的儿童肠套叠“同心圆”征检测模型.该模型检测的精确率、召回率、F₁分数、mAP@0.5分别达到了91.33%、90.73%、91.03%、88.77%,性能更优于YOLOv5s.     

基于注意力机制与加权盒函数的YOLOv5的行人摔倒检测算法

为了防止路上行人摔倒不能及时救治，危及行人安全问题，提出了一种改进YOLOv5的行人摔倒检测算法YOLOv5-CBAM-WBF。首先，通过改进马赛克（Mosaic）算法来丰富数据集并缩短训练时长；其次，融入卷积注意力机制模块（Convolutional block attention module,CBAM），加强对检测目标的关注，以提升算法的特征提取能力；最后，提出了一种新的加权盒函数Weighted boxes fusion(WBF)方法，来对组合模型进行预测，该方法显著提高了组合预测矩形的质量。和原始YOLOv5算法进行比较，YOLOv5-CBAM-WBF算法的精确率、召回率以及平均精度分别提升了3.2%、2%和3.9%，表明该改进算法对于行人摔倒检测效果有了显著提升。     

基于YOLO-PCB的印刷电路板裸板缺陷检测

针对当前印刷电路板PCB（Printed Circuit Board）裸板缺陷检测算法对小目标检测准确率较低、误检率过高等问题,一种改进的YOLO-PCB缺陷检测算法被提出。新算法在YOLOv5s算法的基础上引入注意力机制,增强特征图的通道特征;同时引入加权双向特征金字塔网络改进特征融合层,使网络实现更高层次的特征融合;而且增加小目标检测层,提高网络对印刷电路板上小目标缺陷的检测能力。实验结果表明,相较于原YOLOv5算法,改进后的检测算法具有更强的特征提取融合能力和更高的检测精度,YOLO-PCB算法的mAP_0.5提升了4.08%,mAP0.5:0.95提升了56.69%,精确度提升了1.81%,召回率提升了6.76%。     

基于改进YOLOv5的遥感图像飞机目标检测

针对遥感图像中飞机检测尺寸大小不一、背景复杂导致的难以识别问题,提出一种基于YOLOv5网络模型的改进方法。首先,在YOLOv5网络模型中融入Swin-Transformer模块,使网络全局建模并使全维度信息交互,以提升网络的特征提取能力;其次,对损失函数进行优化,引入SIOU损失函数以考虑真实框和预测框之间的向量角度问题。对比实验表明,优化前后网络模型检测精度均为95.3%。在检测精度相同的情况下,改进后的网络模型召回率为91.2%,比改进前提升0.6个百分点;改进后平均检测精度mAP_0.5为95.7%,比改进前提升0.2个百分点。结果表明,改进后的YOLOv5网络模型能在一定程度上提升遥感图像中飞机目标检测性能。     

基于模糊模式识别的焊缝缺陷图像检测

以埋弧焊管焊缝的X射线检测图像为对象,通过图像处理、特征提取和模糊识别实现了对缺陷的识别。为提高识别精度与实时性,采用主成分分析法对采集图像的像素矩阵进行了主元分析,结合模糊识别中的模糊C均值聚类算法对圆形缺陷和线形缺陷进行识别。相比于传统的通过提取缺陷的若干几何特征分类识别的方法,此方法具有算法简单、占用内存空间小、识别准确率高、实时性强等特点。最终平均识别率可达到90.93%,能够较准确地对焊缝缺陷进行分类识别。