基于改进YOLOX的轻量型垃圾分类检测方法

生活垃圾分类是保护生态环境、促进绿色和谐发展的有效措施。针对移动端设备计算资源和内存有限,重量级模型难以嵌入等问题,本文提出一种基于改进YOLOX-tiny轻量型的垃圾分类检测方法。首先,使用EIoU替换原来的IoU损失函数,能加速收敛,提升检测精度;其次,在颈部网络引入注意力机制CBAM,对不同通道的权重重新分配,获取更多浅层的细粒度特征和深层的语义信息;最后,使用GhostBottleneck模块替换特征提取网络中的CSP模块,保留更多边缘信息,同时降低参数量,使模型轻量化。在华为云垃圾数据集上的实验结果表明,改进的算法与YOLOX-tiny相比,参数量降低至原来的87.97%,精度提升了0.3个百分点,在TrashNet数据集上的实验效果提升了0.36个百分点,从而证明了本文算法的有效性,该算法有利于嵌入移动端设备使用,具有一定的实用价值。     

改进YOLOX在行人目标检测中的应用研究

针对现有算法在行人目标检测中存在精度低、速度慢、算法鲁棒性有限的问题,提出了一种基于深度神经网络目标检测算法YOLOX-L改进的行人目标检测算法YOLOX-H.使用改进型的主干特征提取网络HarDNet85替换原有的CSPDarkNet53,新的主干特征提取网络相较于原有的网络具有更强的特征提取能力以及更快的速度,同时提升了网络检测较大目标的能力.在HarDNet85卷积神经网络中引入了Softplus激活函数提升算法的检测精度,构建了CityPersons、PRW、ETHZ和MOT17多场景的联合数据集,以提升网络对于行人目标检测的鲁棒性.在联合数据集上的实验表明：YOLOX-H相比于YOLOX-L,每秒检测帧数(FPS)提高了32.95%,检测精度提高了3.1%,大目标检测精度提高了6.9%.     

基于改进YOLOX-s算法的印刷电路板缺陷检测

印刷电路板(Printed Circuit Board, PCB)行业中的缺陷检测是质量监测的关键环节。传统的PCB缺陷检测方法在处理微小且分布复杂的缺陷时可能存在局限性,无法达到理想的检测效果。提出了一种改进的基于YOLOX神经网络的PCB缺陷检测方法,以提高缺陷识别率。改进的方法包括加入CBAM注意力机制以加强特征提取网络,从而聚焦于目标区域,改善检测效果,并解决复杂情况下微小缺陷经常被错误识别和忽视的问题。同时,选择广义重叠联合(GIOU)定位损失函数来关注目标框架之间的重叠区域和中心点距离,以提高模型的定位精度;通过使用VariFocalLoss替换二元交叉熵损失来改善置信度预测损失,从而减小对目标缺陷的漏检率。经过一系列实验,改进后的算法表现更好,平均精度(mAP)达到了96.18%,相较于原算法提高了2.12%。本文提出的方法为PCB缺陷检测提供了更准确和可靠的解决方案。     

基于趋势分析的变电站设备异常检测方法

基于时序数据的趋势分析方法, 提出一种基于趋势分析的电力设备绝缘性异常检测方法, 以解决变电站电容型电力设备异常的实时检测问题. 首先, 用在线监测获得的介质损耗因数数据, 通过对监测数据流进行合理分割, 采用最小二乘法将其拟合成直线; 其次,基于拟合直线特征值进行异常趋势的检测分析; 最后, 获得电容型设备的绝缘性异常检测结果. 根据对变电站电容型设备实测数据的分析判断, 验证了该方法的有效性和实用性.     

红外测温技术在变电站设备缺陷诊断中的应用

红外测温技术是目前电力行业一种广泛开展的检测设备故障的手段,它对故障点情况的显示形象、直观、具有较高的准确性,而且检测时不需要停电,不需要取样,不需要改变设备的运行参数,就能准确测温并判别设备工况和判断缺陷的部位和性质,保障设备的安全运行。     

基于M-DCGAN的缺陷检测数据集增广方法

针对智能制造中表面缺陷检测数据集不足问题,提出基于M-DCGAN的数据集增广方法。首先,向判别器添加上采样模块,搭建类U-Net结构并提升判别器与生成器的网络深度;设计基于Canny边缘检测的缺陷位置二值化掩膜提取方法;定义图像掩膜依赖的损失函数,建立缺陷目标位置关注引导机制;插入谱归一化层和Dropout层以提高训练稳定性,保持生成图像数据多样性。带钢缺陷数据集实验结果表明,该模型生成图片质量高于DCGAN、WGAN-GP和InfoGAN。采用本文M-DCGAN算法增广训练数据,能够显著提升并超过传统增广算法在YOLOv5、SSD、Faster R-CNN、YOLOv3等八种经典方法中的缺陷检测精度,验证了本文算法的有效性。     

融合FEB的YOLOX遥感图像目标检测算法

针对遥感图像的复杂背景干扰大、目标尺度变化大以及小目标检测困难等导致检测精度降低的问题,提出一种增强YOLOX主干网络输出特征提取能力的检测算法。通过加入连续膨胀残差卷积和注意力机制,设计一种全新的提取主干网络输出特征增强块(feature enhance block,FEB),让连续膨胀残差卷积串联4个具有不同膨胀率的膨胀残差卷积,扩大算法的感受野,丰富上下文信息,同时减轻背景对检测的影响,有效加强算法对目标尺度变化大及小目标的检测能力,使用SA注意力机制抑制背景对算法检测的干扰,提高算法的检测精度。在RSOD数据集上的实验表明,FEB相较于其他同类型模块具有更好的特征提取能力。     

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。     

基于改进YOLOv5的变电站表计缺陷检测算法

准确检测变电站中的设备缺陷并及时进行处理是保证电力系统安全运行的重要措施.针对表计缺陷图像背景复杂、目标尺寸不一、外形差别大等问题,提出基于改进YOLOv5(you only look once的第5个版本)的变电站表计缺陷检测算法.为了提高泛化能力、解决训练过程中样本不平衡问题,利用旋转和改变图像亮度的方法进行数据增广.通过引入坐标注意力机制,在聚焦缺陷特征的同时,能突出缺陷特征的差异.为了使边界框回归更快速准确,将EDIOU loss(effective distance intersection over union loss)代替CIOU loos(complete intersection over union loss).实验结果表明：6种算法中,该文算法的准确度、召回率和mAP(mean average preciscion)均最高,分别达85.1%, 86.6%, 87.3%.因此,该文算法具有优越性.     

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。     

红外诊断技术在变电站设备运行维护中的应用

该文介绍了变电设备红外诊断技术的原理、特点和方法,并通过一起应用红外诊断技术发现220kV线路阻波器重大缺陷的实例,分析了红外成像诊断技术在变电站设备运行维护方面所发挥的作用。     

基于改进Faster R-CNN的钢材表面缺陷检测方法

针对传统Faster R-CNN(Region-Convolutional Neural Networks)检测钢材表面小目标性缺陷性能差的问题,提出了一种基于改进Faster R-CNN的钢材表面缺陷检测方法.首先引入导向锚点候选区域网络(GA-RPN:Guided Anchoring Region Proposal...     

基于计算机视觉的冲压件表面缺陷检测方法

本文提出了一种新的用于检测冲压件表面缺陷的视觉系统。该系统利用一组LED条形光源从冲压件表面的四周打光,这样做可以使光线的主要辐射能量沿着平行于表面的方向,进而增强了表面缺陷和冲孔边缘的成像效果,简化了刮痕等表面缺陷的定位,以及冲孔尺寸和位置的测量。因此,系统可以通过有效的形状和尺寸分析对缺陷进行分类。本文提出的视觉检测系统是整个自动分拣系统中的核心部分,实际运行效果验证了本文系统的有效性。     

基于改进YOLOv5的铝型材表面缺陷检测方法

针对铝型材表面缺陷不同类别尺寸差别较大,导致检测效果较差的情况,本文提出一种基于改进YOLOv5的铝型材表面缺陷检测算法。首先,在网络中嵌入CA(coordinate attention)注意力机制模块,使网络更好地抑制图像中无效样本的干扰,更多聚焦于有用信息;其次,在原有检测层上增加一个小目标检测层,获取和传递更为丰富且更具判别性的小目标特征,以解决对小目标缺陷检测精度低的问题,提高整体检测精度;最后,引入SIoU损失函数,用边界框回归之间的向量角度来重新定义损失函数,在有效减少总自由度损失的同时提高推理精度。将改进算法应用到天池铝型材数据集中进行验证,实验结果表明：该模型能有效识别铝型材表面不同种类的缺陷,较原YOLOv5算法mAP提高11.4个百分点,检测速度达到66.4 frame/s,能够满足目前铝型材工厂生产现场缺陷检测要求。     

基于深度学习YOLOX算法的混凝土构件裂缝智能化检测方法

针对现有混凝土构件裂缝人工检测操作不仅费时、费力,而且易出现错检、误检、漏检,以及部分位置难以开展检测的问题,提出一种基于深度学习YOLOX(You Only Look Once)算法的混凝土构件裂缝智能化检测方法;首先采集、整理包含各类混凝土构件的典型裂缝图像,并通过图像数据增强建立Pascal VOC数据集,然后基于Facebook公司开发的深度学习框架Pytorch,利用数据集训练YOLOX算法,并进行裂缝识别和验证;将训练完成后YOLOX算法移植至搭载安卓系统的手机端,进行现场实时检测操作。结果表明：在迭代次数为700时,混凝土构件裂缝识别精度可达88.84%,能有效筛分混凝土构件表面裂缝,并排除其他干扰项,证明了所提出的方法对裂缝具有较高的识别精度和广泛的适用性;经试验测试,移植至手机端的YOLOX算法能在提升便携性的同时保证高效、准确的检测效果,具有良好的应用前景。     

基于改进YOLOv5算法的钢铁表面缺陷检测

根据以往钢铁表面缺陷检测技术的检测效能较低、准确性低的情况,提出一种改进YOLOv5s的钢材表面缺陷检测算法。主要改进为：加入坐标注意力机制(Coordinate Attention,CA)的空洞空间卷积池化金字塔 (Atrous Spatial Pyramid Pooling,ASPP),扩大模型感受野和多尺度感知能力的同时能更好的获取特征位置信息;加入改进的选择性内核注意力机制(Selective Kernel Attention,SK),使模型能更好的利用特征图中的频率信息,提升模型的表达能力;将损失函数替换为SIoU,提升模型性能的同时加快模型的收敛。实验数据表明,改进的YOLOv5s网络模型在NEU-DET数据集上的mAP值为78.13%,相比原网络模型提高了2.85%。改进的模型具有良好的检测型性能的同时检测速度为103.9 FPS,能够满足实际应用场景中钢材表面缺陷实时检测的需求。     

基于多任务联合学习的入侵检测方法

针对目前大多数的网络入侵检测方法存在模型泛化能力较弱以及训练数据集类别不平衡等问题,考虑到网络流量同时具有时间性与空间性的特点,提出了一种基于多任务联合学习的入侵检测方法.首先对数据流量进行预处理,并将数据通过注意力层初始化其权重分布;然后通过胶囊网络(CapsuleNet)与简单循环单元(SRU)分别提取流量数据的空...     

基于数据增强的DBN-ELM入侵检测方法

随着工业4.0时代的到来,工控安全事件频发,工控信息安全问题已经备受关注。由于工控环境较为复杂,导致传统机器学习方法在分类大量工控数据时存在收敛速度慢、泛化性较差以及数据分布不均衡等问题。为了解决此类问题,本研究采用一种基于WGAN-GP数据增强并运用深度信念网络和极限学习机相结合的深度学习入侵检测方法,本方法基于一种梯度惩罚的生成对抗网络数据增强并将深度信念网络（deep belief network,DBN）自动提取特征的能力与极限学习机（extreme learning machine, ELM）快速学习的能力相结合。采用加拿大网络安全研究所公布的 CICIDS2017 数据集对所提出的算法进行测试,经过对比实验证明了该方法精度更高,收敛速度更快。为了验证所提出算法在工控环境中的适用性,本研究同时采用密西西比州立大学天然气管道数据集进行验证,证明了该算法在工业环境中具有高精度、误报率低等优点,为工业入侵检测的研究提供了一种新的研究思路。     

浅议变电站设备检修

本文分析了变电站设备检修的必要性,介绍了当前变电站设备检修的某些现状,同时还提出一些措施提高变电站设备检修效率。     

基于生成式对抗网络的供水管道漏水信号检测方法

针对供水管道漏水声音信号数据集匮乏、漏水情况多样需反复采集确定漏水、检测准确率低等问题,提出一种基于条件生成对抗网络的增强漏水信号数据集的方法。将深度对抗网络与条件生成对抗网络相结合对漏水信号数据集进行数据增强,用扩充后的数据集对一维卷积神经网络进行训练并对不同实地采集的样本进行漏水信号识别。验证表明：一种管质的某种程度漏水信息经对抗网络进行数据增强后,具有该管质未采集的漏水信号特征,能用于更加细微的漏水信号检测。该方法也适用于其它管质各种情况的漏水检测,具有良好的实用性。