基于改进YOLOv5模型的船舶焊缝缺陷检测方法

当前船舶焊缝缺陷检测主要是通过人工目视的手段检查焊缝的射线探伤图像进行的，存在耗时长、工作量大、效率低的问题，为此提出了一种基于改进YOLOv5模型的船舶焊缝缺陷检测方法.首先对1 152张船舶焊缝射线图像进行标注，建立船舶焊缝射线图像数据集；然后根据船舶焊缝缺陷几何尺寸小、特征不明显的特点，对YOLOv5模型进行改进.通过对图像进行正弦灰度变换，提高缺陷处的对比度.加入卷积注意力模块(CBAM),增大感兴趣区域的权重.增加检测尺度，提高对微小目标的检测精度.计算对比检测结果表明，使用改进的YOLOv5模型对船舶焊缝缺陷进行识别，使精确度从95.3%提高到98.4%,召回率从77.5%提高到77.9%,交并比为0.5时的平均精确度从81.5%提高到84.2%,证明该方法可以有效地改进船舶焊缝缺陷检测的效果.     

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YOLOv5的高速公路隧道车辆和人员检测

针对高速公路隧道内光线昏暗、图像受灯光影响及远距离小目标检测困难等问题,提出了一种改进的YOLOv5高速公路隧道车辆和人员检测算法。首先,使用高斯混合聚类来获得更加匹配数据集目标的一组锚框,提高了模型的检测精度;其次,在特征融合部分引入CARAFE算子,扩大感受野,降低上采样过程特征细节损失;最后,通过向网络中插入坐标注意力 (Coordinate Attention,CA),进一步增强模型对图像各位置特征的提取能力。为验证算法的有效性,在浙江温丽高速公路隧道数据集上进行实验,结果表明：所提算法的平均检测精度(mean Average Precision ,mAP)达到了95.7%,较原模型提升3.8%,对于远距离小目标和受严重灯光影响的目标能够实现更加精准检测,为复杂环境下高速公路隧道内车辆和人员检测提供了一种有效的解决方案。     

基于YOLOv5的遥感图像目标检测

目标检测是遥感图像处理领域的一项重要技术,遥感图像目标种类繁多且存在目标物体难以被检测.提出把YOLOv5算法应用到遥感图像目标检测的方法,首先选择YOLOv5x来构建网络模型,再通过Mosaic数据增强对样本集进行预处理和自适应锚框筛选方法确定锚框大小,然后切片卷积操作得到原始特征图,将原始特征图送入主干网络进行特征融合得到最优权重,最后采用GIOU Loss做边界框的损失函数和非极大值抑制目标框的筛选,对遥感图像进行目标检测.在公开的10类地理空间物体(NWPU-VHR 10)数据集进行了检测实验,以评估所提出模型的目标检测性能.对比实验表明,本文的模型mAP达到了0.9239,与使用相同数据集的模型中的最佳结果进行比较,mAP提升了1.78％,该方法可以提高遥感图像目标检测精度.     

一种基于改进RefineDet的管道数字射线成像缺陷图像检测方法

为提高管道缺陷图像检测的准确率,提出一种基于改进RefineDet的管道数字射线成像(digital radiography,DR)缺陷图像检测模型。该模型针对管道DR缺陷图像数据少、目标少等特点,从以下三个方面进行改进。首先,在骨干网络设计方面,使用Swin transformer代替VGG16作为主干网络,在提高特征提取能力的同时减少主干网络参数量。其次,针对管道DR缺陷图像目标数量较少而易受背景干扰问题,通过在主干网络与特征融合阶段之间加入全局注意力模块来强化模型对重要特征的关注,从而提高检测性能。最后,在后处理阶段,针对传统的非最大值抑制算法直接去除非最好预测框问题,使用软非最大值抑制算法以更合理的方式去除非最优预测框。结果表明：该方法能够有效实现管道DR缺陷图像的检测,并且相比于其他4种常用的目标检测模型,提出的模型可以有效提升管道DR缺陷图像检测的准确率,研究成果可为DR缺陷图像检测提供技术支撑。     

一种基于GA_Faster R-CNN的掌指骨骨折计算机辅助诊断系统

为解决临床掌指骨骨折诊断中难检测、易漏诊的问题,对如何更加准确地检测和定位X线图像中掌指骨骨折区域进行实验研究.开发了一种基于深度学习的计算机辅助诊断系统,改进了Faster R-CNN网络模型中的锚框、特征映射和损失函数,在节约算力的同时大大提高了网络性能.建立了包含5 195张手部的X线图像的数据集,其中随机抽取4 675张作为训练集,520张作为测试集.实验表明,提出的新模型在测试集上的平均精度达到了69.3%,与Faster R-CNN相比能够更加精准地识别出掌指骨骨折区域,验证了该模型具有潜在的临床应用价值.     

基于MSAM-YOLOv5的内河航道船舶识别方法

针对内河航道上无人船识别目标时受背景复杂性和分布多样性影响而存在漏检的问题,提出一种基于YOLOv5(you only look once)的算法．首先,提出一种注意力模块MSAM(多尺度注意力模块),可对带有大量空间信息的浅层特征图和带有丰富语义信息的深层特征图进行注意力融合,使得融合后的特征图具有更强的特征;然后,研究MSAM模块的不同位置的影响;最后,优化锚框参数,使得锚框形状更加符合内河船舶的形状．在船舶数据集上进行实验,结果表明：本算法的召回率提高了1.12%,三个mAP(平均精度均值)指标分别提高了0.87%,5.00%和2.07%,FPS(帧率)指标提高了3,漏检率降低,整体检测准确性和检测速度均得到提升．     

非局部特征增强的遥感图像目标检测方法

针对采用感兴趣区域形变器(RoI Trans)检测排列密集、方向性显著的遥感图像目标性能较差且推理速度较慢等问题,采用逐步增强旋转候选框的定位精度以及对特征的非局部增强,提升遥感图像目标检测性能.首先,通过基于区域建议网络的实时目标检测器(faster RCNN)与RoI Trans构建逐步回归网络模型,以实现从粗粒度到细粒度的精确定位,采用引导性锚框区域建议网络(GA-RPN)增加水平候选框向旋转候选框转换过程中正样本的数量.其次,提出非局部特征增强模块以提高网络特征的表达能力.最后,分别在DOTA和HRSC2016遥感数据集上开展测试,并分别取得了77.46%和90.04%的平均均值精度(mAP),显著优于对照组.     

基于高频加强变换的焊接缺陷检测方法

根据X射线线阵实时成像检测压力容器的特点,提出焊缝图像处理及快速发现焊接缺陷的方法。利用自适应中值滤波方法和类间、类内方差比分割法及数学形态学方法对原始焊缝图像进行降噪和提取焊缝区域,并对提取的焊缝内部进行频域锐化的高频加强变换.仿真结果表明,自适应中值滤波能够有效去除噪声,并保持焊缝和缺陷的边缘细节;类间、类内方差比分割方法增强了图像目标与背景的对比,与数学形态学方法并用能准确地提取焊缝区域;高频加强变换能够为焊缝缺陷提供清晰的视觉效果,从而根据其显示的特点对焊接缺陷进行提取.     

改进RetinaNet的无人机小目标检测

无人机技术的不断成熟,使得搭载高效视觉系统的无人机应用也更加广泛。针对无人机航拍图像中小目标较多、分辨率低等原因导致的检测精度不高的问题,提出了一种改进RetinaNet的无人机航拍目标检测算法。算法针对特征图中小目标信息提取不足的问题,设计了多阶段特征融合方法,并将其与注意力机制串联设计了特征挖掘模块,可以在浅层特征图中融入深层的语义信息,丰富小目标特征;设计了基于中心点检测的无锚框(Anchor-free)方法,网络通过对中心点的回归来定位目标,而不是通过固定大小的锚框去匹配,这样做可以使网络对小目标的回归更加灵活,提高了算法的整体性能;且通过深度可分离卷积方法对网络进行轻量化设计,以压缩模型大小并提高检测速度。实验结果表明,改进算法较原RetinaNet算法平均精度提升了8.5%,检测速度提升了6帧/s,且与其他先进算法相比也具有性能优势,达到了检测精度与检测速度的均衡。     

基于参数优化残差网络的皮革缺陷分类

针对皮革缺陷分类存在误判、成本较高及目前关于皮革缺陷的研究主要是针对皮革做缺陷检测,未进行缺陷分类的问题,采用一种参数优化的残差网络来实现皮革缺陷的自动分类。首先通过多层卷积、池化操作进行特征提取,并引入残差模块解决深层网络的梯度消失问题;然后依据所提取特征进行缺陷分类;最后根据皮革数据集优化关键网络参数,使用数据增强方法对数据集进行扩充,有效避免了网络模型因样本不足易产生过拟合的问题。实验结果表明该方法可对皮革缺陷进行有效分类,分类精度达到92.34%。     

Defect Detection Algorithm of Patterned Fabrics Based on Convolutional Neural Network

The background pattern of patterned fabrics is complex, which has a great interference in the extraction of defect features. Traditional machine vision algorithms rely on artificially designed features, which are greatly affected by background patterns and are difficult to effectively extract flaw features. Therefore, a convolutional neural network(CNN) with automatic feature extraction is proposed. On the basis of the two-stage detection model Faster R-CNN, Resnet-50 is used as the backbone network, and the problem of flaws with extreme aspect ratio is solved by improving the initialization algorithm of the prior frame aspect ratio, and the improved multi-scale model is designed to improve detection of small defects. The cascade R-CNN is introduced to improve the accuracy of defect detection, and the online hard example mining(OHEM) algorithm is used to strengthen the learning of hard samples to reduce the interference of complex backgrounds on the defect detection of patterned fabrics, and construct the focal loss as a loss function to reduce the impact of sample imbalance. In order to verify the effectiveness of the improved algorithm, a defect detection comparison experiment was set up. The experimental results show that the accuracy of the defect detection algorithm of patterned fabrics in this paper can reach 95.7%, and it can accurately locate the defect location and meet the actual needs of the factory.     

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.     

高铁轮毂表面缺陷的视觉显著性超像素图像检测方法

针对高铁轮毂表面缺陷实时在线检测问题,提出一种基于视觉显著性注意机制的超像素自适应检测方法。首先采用同态滤波器对缺陷图像进行预处理,去除环境光污染噪声引起的图像亮度分布不均匀问题,构建轮毂表面缺陷图像的谱残差视觉注意模型,之后采用超像素分割算法对缺陷显著性图像进行自适应阈值分割,标记出高铁轮毂表面缺陷的二维空间位置,实现轮毂表面缺陷的边界检测和形态估计。本文方法在高铁轮毂表面缺陷检测实验平台上进行了实验验证,结果表明：该方法能够有效抑制图像分割中的过分割问题,对缺陷的边界信息提取准确,鲁棒性较好。     

射线数字检测中底片数字化及缺陷信息库建立方法研究

在无损检测中,针对压力容器焊缝结构复杂,检测焊缝底片缺陷时定级比较困难,并且底片长期保存和查询存在困难的问题,设计了射线检测底片数字化仪器与底片缺陷信息库系统软件。并根据数字化底片的缺陷的特征,提出了一种基于神经网络的底片焊缝缺陷的识别方法,并建立了缺陷信息库。试验结果表明该仪器能够快速实现底片的数字化,并对底片中的焊缝缺陷定位识别率达到90%以上,提高了射线检测的效率。     

试件形状对铝合金摩擦叠焊成形的影响

为了研究不同试件形状对铝合金摩擦叠焊单元成形的影响,选取7075铝合金为试验对象,使用ABAQUS有限元软件,对摩擦叠焊单元成形这一复杂的热力耦合过程进行数值模拟,在将其简化为二维轴对称模型的基础上,采用FRIC子程序和网格重划分技术进行分析.对比温度云图、变形情况以及应力分布,结果表明:试件形状能够影响焊接缺陷产生的以及缺陷的尺寸;相对于焊棒形状,焊孔形状对焊接缺陷产生的影响更大,直角焊孔对塑性金属的流动阻碍作用最大,倒角焊孔次之.圆角焊孔阻碍作用最小,更容易得到较好的焊接质量.     

X射线检测焊缝的图像处理与缺陷识别

根据射线检测焊缝图像的特点,设计了图像去噪、增强的算法;针对焊缝缺陷对比度差、光照不均、纹理较多等不利因素,在去除焊缝背景情况下,设计了动态划分焊缝区域算法,利用局域阈值法分割提取出对比度不均的缺陷;通过对焊缝缺陷特征分析,选取缺陷识别的特征参数;建立了用于焊缝缺陷识别的模糊神经网络模型。试验结果表明,图像预处理和缺陷提取是成功的,提出的识别算法能够提高介于模糊边界模式分类时的识别率,对焊缝缺陷识别的效果优于分类识别法。     

改进YOLOv3的桥梁表观病害检测识别

针对基于目标检测方法的桥梁表观病害检测存在检测精度低、误检率和漏检率高的问题,提出一种改进YOLOv3的高准确率桥梁表观病害检测识别方法。为实现局部特征和全局特征有效融合,在YOLOv3的检测层中添加固定分块大小的池化模块,并在YOLOv3的特征提取网络中引入了DenseNet密集型连接网络结构以增强桥梁病害特征在网络中的传播和利用效率,提高检测效率,采用数据增强技术来扩充样本图像以解决现有桥梁病害数据集样本数量不足的问题。实验结果表明,改进后的YOLOv3在桥梁表观病害检测上的平均准确率比原YOLOv3提高了3.0%,且模型训练时间减少了33.2%,同时降低了对桥梁表观病害检测的误检率和漏检率。     

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.