基于改进的RetinaNet医药空瓶表面气泡检测

医药空瓶在生产过程中瓶身表面会产生大量的气泡缺陷,但现有的方法对医药空瓶表面气泡检测存在各种问题,例如对复杂场景变化的鲁棒性不强,抗噪声干扰能力弱等.针对现有医药空瓶表面的气泡缺陷,提出了一种改进的深度学习目标检测算法RetinaNet对瓶身气泡进行检测.对原始RetinaNet算法中的特征金字塔网络结构进行了优化,在特征融合过程中引入了特征增强模块,用来提高网路对图像语义特征的提取,增强网络特征提取能力.为了减少模型的参数数目和计算时间,考虑到空瓶表面气泡均为小目标缺陷,去掉原始特征金字塔网络中用于检测大目标的网络结构,提高了算法检测速度.通过对标准的ResNet50网络进行重新组合,并引进了膨胀卷积模块,扩大特征图感受野,提高了模型检测的精度.通过在注塑空瓶数据集上对本文的方法进行了验证,其准确率为99.72%,漏检率为0.12%,误检率为016%,mAP为99.49%,相比原始的RetinaNet的mAP提高了接近2.4%.     

基于改进YOLOv5的车辆目标检测研究

针对现有目标检测算法在自动驾驶等领域的车辆目标检测中存在检测精度不高,实时性和鲁棒性较差等问题,本文提出一种基于YOLOv5的车辆目标检测方法.本文在YOLOv5s网络模型框架下,引入一次性聚合（OSA）模块优化主干网络结构,提升网络特征提取能力;并采用非局部注意力机制进行特征增强;同时利用加权非极大值抑制方法实现检测框筛选.实验结果表明,在自制车辆检测数据集上,改进网络模型与原YOLOv5s模型相比,平均准确率均值（mAP）提升3%,不同目标类检测的平均准确率（AP）均得到提升,且检测速度满足实时性要求,对于密集车辆和不同光照条件下均能较好实现车辆目标检测.     

基于改进YOLOv5的安全帽佩戴检测算法

针对现有的安全帽佩戴检测算法难以有效地检测小目标、重叠和遮挡目标的错检、漏检等问题,提出了一种基于改进YOLOv5的安全帽佩戴检测算法。首先,在主干网络增加了一层有效特征提取层更容易检测小目标,同时对颈部原有的特征金字塔结构进行改进,使特征融合得到加强,提升了对小目标检测的准确性;其次,在主干网络中引入了有效通道注意力机制模块(ECA-Net),更容易获取小目标的关键信息,增强了模型对小目标检测的性能;最后,引入CIOU-NMS替换NMS使得网络既考虑到预测框和真实框之间的重叠面积,还考虑到两个框之间的中心点的距离和宽高比,解决了对重叠和遮挡目标的错检、漏检问题。实验结果证明,改进后的算法平均检测精度(MAP)达到了97.2%,较原始YOLOv5算法提升了3.8%,满足施工场景下对安全帽佩戴检测准确率的要求。     

基于改进的更快的卷积神经网络特征区域的淡水鱼鱼鳃切口点定位

为了提高鱼产品加工过程中鱼鳃切口点定位的准确度,采用改进的更快的卷积神经网络特征区域(faster convolution-al neural network feature region,Faster RCNN)对淡水鱼的鱼鳃部位进行检测和定位.首先,为了增强主干网络VGG16的特征提取能力,加入批归一化(batch normalization,BN)层对其进行结构优化,提高了网络识别的准确率.其次,当物体处于预设的交叉阈值范围时,非最大值抑制(non-maximum suppression,NMS)算法存在目标漏检的问题.采用Soft-NMS算法替代NMS算法,增强了目标检测的性能.通过在淡水鱼数据集进行的实验结果表明,改进的Faster RCNN网络对鱼鳃切口定位准确率达到了96％,较未改进网络提高了6％,为后续生产线中鱼鳃的精准切割奠定了基础.     

基于改进YOLOv5的O型密封圈缺陷检测方法

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。     

一种融合多尺度特征的多物体检测方法

在图像识别与计算机视觉领域,物体检测是研究热点,提出了一种融合多尺度特征的多物体检测方法,基于卷积神经网络在多尺度特征下提取物体的候选区域,然后将不同尺度下的特征进行融合,使多物体检测中出现的小物体被漏检的概率降低.最后采用基于中心点的非极大值抑制方法,计算检测窗口的中心点的欧式距离和iou来抑制冗余的窗口,从而提升多物体检测的精度.将提出的方法在PASCAL VOC数据集上进行验证,实验证明所提的方法能有效提高多物体检测的精确度.     

基于Faster R-CNN的钢板表面缺陷检测方法

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster R-CNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测.由于 Faster R-CNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用...     

基于机器视觉的钢板表面缺陷在线实时检测系统

钢板表面缺陷将对钢的耐磨性、抗腐蚀性等带来一定的影响,本文提出一种基于机器视觉的钢板表面缺陷检测系统。设计了光学成像子系统、图像实时采集子系统、图像准实时处理子系统及缺陷分类子系统。采用模块化设计方便系统在硬件和软件上的扩展,最后采用多分类器集成方法对图像缺陷进行自动分类识别。     

基于改进深度置信网络的木板表面缺陷检测模型

为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型。首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型。然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果。最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间。实例测试实验结果表明：选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优。采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验。结果显示,ABC-DBN算法检测准确率RMSE为5.067×10^-2,是最优结果,Adaboost-CNN算法次之,CNN算法最差。     

基于卷积神经网络的布料疵点检测方法

针对传统布料疵点检测准确率低、识别较慢且计算量大问题,提出基于卷积神经网络的布料疵点检测方法,实现增强布料疵点检测鲁棒性、高效性的设计目标。为保证训练结果准确,首先采集数量以千万级为单位的布料图像并进行图像预处理,标记无疵点布料和疵点布料;然后将图像送入设计的卷积神经网络进行训练和测试,获取疵点检测框;紧接着采用改进的NMS分类算法对检测框进行多框合并,减少误检,进一步提高模型检测效果;最后利用设计的特征图分割算法使网络模型脱离GPU显存限制,适用于各种性能计算机。实验结果表明该方法可在实现布料检测高速度、高准确率的同时增强检测方法的鲁棒性。实际检测速度为3fps,准确率可达99.6%,超过现有疵点检测算法,表明该检测方法可应用于对布料要求更高的生产企业。     

基于改进YOLOX的变电站设备缺陷检测方法

为减轻电力工作人员的巡检负担,实现变电站智能巡检,对变电站设备缺陷检测算法进行了研究。首先,利用数据增强方法对有限的初始数据集进行扩充,利用多种图像处理方法增加数据集的复杂度,生成考虑复杂光照环境的数据集;然后,采用自适应空间特征融合(ASFF:Adaptively Spatial Feature Fusion)的方法缓解特征金字塔中不同尺度特征的不一致性问题,并引入Focal损失函数作为置信度损失函数以缓解正负样本不平衡的问题,利用改进的YOLOX-s(You Only Look Once X-s)网络模型设计了变电站缺陷检测算法;最后,将改进的YOLOX-s网络模型与其他深度学习算法的检测效果进行对比,实验结果表明,改进的YOLOX-s网络模型的综合检测效果较好,准确性和实时性均可以满足变电站设备缺陷检测任务。     

基于深度学习的铝型材瑕疵检测方法

铝型材表面由于生产工艺、机械振动等外在条件影响,会产生加工瑕疵,由于其瑕疵特有的纹理、尺寸、形状随机性、不规则性等因素,现有的一些金属表面瑕疵检测模型泛化能力差,无法在铝型材瑕疵检测上取得较好的检测效果.针对上述问题,提出一种改进Faster RCNN架构的铝型材表面瑕疵检测模型,通过改进原有卷积核计算模式,融合改进噪...     

基于Faster R-CNN算法的船舶识别检测

目前,检测卫星图像中船舶的常用方法如合成孔径雷达(synthetic-aperture radar,SAR)对多目标仍难以达到精确检测,而更快速的区域卷积神经网络(faster region-based convolutional neural network,Faster R-CNN)算法是一种深度学习算法,用于物体检测和分类时,可以实现高精度实时监测。文章应用Faster R-CNN算法对卫星图像中的船舶进行识别和检测,并与传统尺度不变特征转换(scale-invariant feature transform,SIFT)算法、快速区域卷积神经网络(fast region-based convolutional neural network,Fast R-CNN)算法进行对比。研究结果表明,Faster R-CNN算法比传统SIFT算法和Fast R-CNN算法有更好的收敛速度和识别精度,该算法在船舶识别方面具有较大潜力。     

基于快速选区卷积神经网络模型的工业产品表面缺陷检测

针对传统带钢表面缺陷检测算法检测效率低、准确率差的情况,提出一种基于快速选区卷积神经网络模型的多尺度带钢表面缺陷检测算法;首先利用残差网络思想对该模型网络特征提取层进行改进;其次,利用多尺度推荐区域网络设置合理大小的卷积滑动窗口,提取出更加准确的推荐区域;最后,利用软判决非极大值抑制机制替代传统的非极大值抑制机制,解决缺陷特征相近时检测框丢失的情况,并在SD_data数据集上进行实验验证。结果表明,所提出的算法对多尺度带钢表面缺陷的检测准确率明显提高,漏检率显著降低。     

基于残差网络和改进特征金字塔的油田作业现场目标检测算法

针对单点多盒检测器(single shot multibox detector,SSD)对小目标识别率低的问题,提出一种基于残差网络和改进特征金字塔(feature pyramid networks,FPN)的RP-SSD(residual and pyramid SSD)算法,并将其应用于油田安防领域。为了得到小物体更多的信息,首先在特征金字塔中增加上采样模块,并在上采样模块之后添加预测模块,之后采用空洞卷积增大Conv4_3的感受野。RP-SSD网络变深,针对RP-SSD在反向传播过程中存在梯度爆炸或梯度消失的问题,采用跳层连接的方式改进基础网络。RP-SSD在PASCAL VOC测试的准确率(meanaverage precision,mAP)为78.9%,比SSD提高了1.7%,其中对于目标较小的bottle类提高了8.9%。实验结果表明,RP-SSD对小目标检测的性能提高显著,同时RP-SSD在GTX 1080Ti上测试的速度为32帧/s,可见RP-SSD可以达到实时处理的要求。     

基于改进U-Net的零件缺陷分割标注

提出一种以U-Net为基础,依据零件缺陷的特点对网络进行一系列改进的模型,以提升网络对零件缺陷的分割精度.首先在U-Net结构中的编码阶段,使用改进的残差网络Res2Net提高该阶段的特征提取能力;然后在网络编码器与解码器的中间部位增加空洞卷积,在不改变特征图尺寸的情况下增加感受野,降低误检率与漏检率;最后在U-Net的输出阶段与Mini U-Net进行结合,对原本的输出结果进行二次补丁,提高对微小缺陷的检测精度.实验结果表明,对MVTec数据集进行分割的F1-Score分数达到87.21%,时间为0.017 s,达到了良好的检测效果.     

基于深度学习的小样本墙壁缺陷目标检测及分类

近年来,无须人工干预的深度学习已成为缺陷图像检测与分类的一种主流方法。文章针对室内墙壁缺陷缺检测中数据集大多是小样本的问题,提出了相关的深度学习研究方法。首先,自制墙壁表面缺陷数据集（Wall surface defect dataset,WSDD）并对其进行数据标注,进而使用Faster RCNN和YOLOv5进行目标检测,两个模型的评价指标（Mean Average Precision,MAP）均高于0.517,表明本文采集的WSDD有效。然后,采用几种传统的数据增强方法（尺度调整、旋转和翻转）及图像拼接和图像融合的方法来扩充原始数据集的数量。最后,将增强前后的数据集分别用四种经典的深度卷积神经网络（ResNet34、ResNet50、DenseNet121、VGG16）模型进行测试,结果显示经过数据增强后,四种模型的识别精度明显高于增强前,分别为98.86%、99.47%、99.06%和90.25%,证明本文所采用的数据增强和深度学习方法缓解了数据集小样本的问题。