基于机器视觉的卷纸包装检测模型设计

针对卷纸包装检测效率低、人工成本高的问题,本研究基于机器视觉设计了一个卷纸包装检测模型,并命名为F-YOLOv4。首先利用工业相机在卷纸包装过程中采集目标图像,并人工标注制作成数据集;随后基于YOLOv4构建卷纸包装检测模型,通过引入轻量级的混合通道注意力模块,以强化重要特征同时避免背景噪声的引入;并设计了残差上采样模块以提升上采样的效果;最后在检测头部分,将不同分辨率的特征进行了融合以丰富特征图信息。研究结果表明,F-YOLOv4模型的准确率为97.53%,高于原始模型1.97%,检测速度为129 f/s,模型大小为39.7 MB。F-YOLOv4模型能够有效解决卷纸包装问题,为企业降低用人成本,提高生产效率。     

基于改进YOLOv3的卷纸包装缺陷实时检测算法

为了解决卷纸包装过程中的缺陷检测问题,提高卷纸包装缺陷的检测速度和准确率,提出了一种改进的YOLOv3算法（iYOLOv3算法）。该算法通过将卷积神经网络和多头自注意力相结合,可更加充分地提取图片的局部和全局特征;并将不同尺度的特征图进行多尺度特征融合,同时改善了YOLOv3算法的解码公式,iYOLOv3算法的AP@50∶5∶95比YOLOv3算法提高了5.8个百分点,检测速度达到了80帧/s,是YOLOv3算法的2倍以上,表明了其在实际应用的可行性。