改进YOLOv5的矿用输送带损伤检测方法

文中针对目前输送带损伤检测大多是输送带撕裂且缺乏其他损伤类型研究的问题,提出一种改进YOLOv5的矿用输送带损伤检测方法。将SPD-Conv模块替换Conv模块中的卷积层,提升小目标的检测效果;在骨干特征网络与最后预测网络之前引入CBAM注意力机制,对重要的特征通道进行强化;最后,在YOLOv5的基础上引入高斯滤波器消除噪声干扰,提升算法目标检测效率。试验结果表明：改进后的YOLOv5目标检测网络在对输送带的撕裂、击穿、表面划伤、破损4种损伤类型的检测平均精度均值达92.3%,相较于YOLOv5算法提高了35.1%,检测速度达90帧/s,提高了20%,实现了对矿用输送带损伤的快速识别。     

基于改进YOLOv5s的铝材表面缺陷检测方法

针对目前铝材表面缺陷检测算法在实际工程应用中检测精度低以及不够轻量化难以部署等问题,文章提出一种基于改进YOLOv5s的铝材表面缺陷检测方法。该算法以经典YOLOv5s模型为基础,将ShufflenNetV2-Block算法融合到主干网络backbone中,降低模型的计算复杂性;然后添加SE注意力机制,使注意力集中于缺陷相关区域,更好地区分类别之间的差异,提高分类性能和检测效率;最后优化损失函数,采用SIoU(S-intersection over union)替代CIoU,提升网络定位精度。结果表明：针孔类和斑点类缺陷检测精度比原版YOLOv5分别提升了8.3%和8.4%,mAP值提高了6.4%,提高了缺陷检测精度且降低了模型的大小和所占内存,更加便于移动端部署,有效改善了制造过程中漏检问题。     

基于改进YOLOv5的人脸检测算法

随着计算机视觉行业的不断发展,基于卷积神经网络的目标检测算法也受到了研究人员的重视。针对传统的YOLOv5目标检测算法中的边界框回归损失函数GIOU存在当检测框与真实框呈包含的状态时会退化到传统IOU损失函数,以及当检测框和真实框相交时在垂直和水平两个方向上存在收敛速度慢的问题,提出一种改进的YOLOv5目标检测算法。在传统YOLOv5的基准网络中添加注意力机制,然后在边界框回归损失函数中引入真实框与预测框中心的欧式距离计算预测损失,并分别计算预测框与真实框之间的纵横比作为惩罚项以达到提高回归精度以及加快收敛速度的目的,最后将改进后的YOLOv5目标检测模型应用于人脸检测进行验证。实验利用wideface人脸数据集训练,训练结果表明改进的YOLOv5目标检测算法训练中的损失只有0.013,较传统的YOLOv5目标检测算法损失减少约13.33%,准确率达到82.28%,较传统的YOLOv5目标检测算法提高2.6%。实验表明该目标检测算法能很好的应用于人脸检测中。     

基于改进YOLOv5算法的密集遮挡零件检测

针对零件在密集遮挡等复杂场景下存在视觉识别难度大、检测精度低和实时性差的问题,提出YOLOv5零件目标检测的改进算法。在YOLOv5的主干网络中添加卷积注意力机制模块,进而增强算法对零件的特征提取能力;将抑制准则改为考虑真实框与预测框重叠区域且同时计算两个框之间中心点距离的DIoU-NMS,并以此作为后处理方法,进而提高零件检测精度。试验结果表明,相比原始YOLOv5算法,本改进算法将mAP@0.5提升1.6%,识别速度达58.8帧/s,可以更好地完成检测密集遮挡零件的任务,同时保证了实时性。     

港口起重机钢丝绳损伤与检测

钢丝绳是港口起重机普遍采用的挠性构件,一般作为变幅机构和起升机构的牵引件。它具有自重轻、强度高、弹性好、工作平稳可靠、承受动载和过载能力强、卷绕噪声小、适合高速运行等特点,是起重机的关键部件。由于港口起重机的作业环境和特点,钢丝绳不可避免地会产生疲劳、磨损、锈蚀、断裂等现象,导致强度降     

应用数字图像处理技术检测塔式起重机钢丝绳的损伤

介绍1种采用数字图像处理实现塔式起重机钢丝绳损伤检测的新方法,对采集到的钢丝绳图像进行预处理以减少噪声的污染和影响,根据损伤钢丝绳的特征对预处理的图像进行分割,对图像进行数学形态学处理并判断钢丝绳是否存在损伤。     

基于改进YOLOv4的航空发动机损伤检测方法

针对现有目标检测模型参数量大、检测速度慢,难以适应航空发动机孔探检测轻量化应用需求的问题,提出了基于YOLOv4目标检测算法的轻量化航空发动机损伤检测模型。设计了基于深度可分离卷积的轻量化特征融合结构,在YOLOv4的颈部结构(Neck)中,将普通卷积重构为逐通道卷积和逐点卷积的形式,有效减少了网络中的冗余参数;为进一步降低模型参数量,使用MobileNetv3作为特征提取网络。在减少参数量的同时,2种轻量化改进方法有效提高了模型的检测速度;在轻量化后的路径聚合网络(Path Aggregation Network, PANet)中加入卷积注意力模块(Convolutional Block Attention Module, CBAM),通过仅引入少量的参数来提高轻量化网络的损伤检测精度。实验结果表明,改进YOLOv4算法的平均精度均值(mean Average Precision, mAP)为89.82%,模型大小为73.29 MB,检测速度为37.3 FPS。与YOLOv4目标检测算法相比,改进YOLOv4算法以3.55%的mAP损失,使模型参数量降低了约2/3,检测速度提高了1....     

基于改进YOLOv5的PCB板表面缺陷检测北大核心CSCD

针对当前PCB板检测参数量庞大、检测精度低等问题,提出了一种改进YOLOv5的检测模型。以YOLOv5模型为框架,采用EfficientNetV2结构替换原始模型的主干网络,针对小目标缺陷,引入对空间信息更敏感的CA注意力机制,并采用α-IoU损失函数提高模型回归精度。实验结果表明:改进后的YOLOv5网络模型较原始网络均值平均精度提高了2.6%,参数量减少47%,可应用在小型工业检测设备中。     

基于YOLOv3的桥式起重机摆角检测系统

起重机在启动、停止时的摆动角度较大,影响工作效率,摆角检测系统的研究对于提高起重机的效率和实现起重机无人化的研究具有重要意义,文中设计了一种桥式起重机摆角检测系统,该系统使用图像传感器结合计算机视觉算法测得摆角.所提出的技术使用工业摄像头作为视觉传感器,基于YOLOv3目标检测算法识别吊钩,根据图像中吊钩离开平衡位置的...     

多尺度YOLOv5的太阳能电池缺陷检测

为了实现电致发光（Electroluminescent,EL）条件下太阳能电池的高精度裂纹和碎片缺陷检测,将多尺度YOLOv5(You Only Look Once version 5)模型用于真实工况下的太阳能电池缺陷检测。首先,提出一种融合可变形卷积（Deformable Convolutional Networks Version 2,DCNv2）和坐标注意力（Coordinate Attention,CA）的改进特征提取网络,拓宽小目标缺陷的感受野,有效增强小尺度缺陷特征的提取。其次,提出一种名为CA-PANet的改进路径聚合网络（Path Aggregation Network,PANet）,将CA与跨层级联整合在路径增强结构中,实现浅层特征的复用,使深层特征和浅层特征结合,增强不同尺度缺陷的特征融合,提高缺陷的特征表达能力,提升缺陷检测框的准确度。轻量级CA的计算成本低,保证了模型的实时性。实验结果表明,融合DCNv2与CA注意力的YOLOv5模型平均精度均值（Mean Average Precision, mAP）值可达95.4%,较YOLOv5模型提高3%,较YOLOX...     

基于YOLOv5s的铝型材表观缺陷检测方法

目前,在铝制品的加工生产过程中,缺陷检测环节仍以人眼观测为主,这种传统方式存在检测精度差和检测效率低等缺陷,为此,提出基于YOLOv5s的铝型材表观缺陷检测方法。针对具有9种缺陷的铝型材图像,使用labelimg进行标注,构建了铝型材数据集。基于该数据集,以YOLOv5s、YOLOv5m、YOLOv5l在COCO数据集上训练好的权值作为初始权值,对该3种模型进一步迭代训练,并将最优权重进行测试。对比3种模型的实验结果,决定采用YOLOv5s作为铝型材表观缺陷检测的模型,其测试精确度P、召回率R、均值平均精度mAP分别达到了0.684、0.742、0.692。并基于该模型,采用PyQt5开发了铝型材表观缺陷检测系统,其检测速率可达98Fps左右,可以很好地满足实时性要求,从而为铝型材表观缺陷检测提供了有效的参考方案。     

基于改进YOLOv5的酒瓶缺陷检测方法研究

由于酒瓶产品缺陷多样以及产品缺陷较小,使用了YOLOv5作为基础框架来设计算法。对YOLOv5进行了深入研究,发现虽然空间池化金字塔（Spatial Pyramid Pooling,SPP）在多尺度检测中优化了计算量和减少了数据量。但是,在某些情况下,空间金字塔池化会出现信息丢失的问题,影响了检测精度。为此,提出一种将空间池化金字塔改进为空洞空间池化金字塔（Atrous Spatial Pyramid Pooling,ASPP）。ASPP可以对不同尺度的特征图进行并行池化,从而综合多尺度特征信息,获得更全面、更准确的特征表示。将SPP算法改进为ASPP算法后,在酒瓶缺陷数据集上进行了实验。实验结果证明改进后的YOLOv5算法在酒瓶缺陷检测精度上提升4%,mAP@0.5提升了2%,mAP@0.5:0.95提升了1.5%。     

基于YOLOv5的物流托盘实时检测方法研究

传统物流作业主要依靠人工操作叉车对托盘进行搬运,自动化程度低。工厂实际环境复杂多样,导致现有的托盘检测算法的模型复杂,耗时较长,无法同时达到准确性和实时性要求,难以实际运用。针对浙江某机械(搬运)设备有限公司下属的电动车工业园实际工厂环境下,XP3托盘自动搬运机器人工作效率问题,提出了一种高效准确的托盘检测算法,该算法利用改进的YOLOv5s网络检测托盘,在托盘定位部分准确率达到了99.8%,定位仅耗时10ms,同时算法的总体正确率达到了98.9%,总体耗时仅54ms,实现了对托盘高效精确的检测。     

基于无损检测的桥式起重机钢丝绳断丝检测系统

钢丝绳失效方式有2种：局部损失和截面积损失,最主要的失效方式是钢丝绳断丝。目前,钢丝绳断丝无损检测的方法很多,但只有漏磁场检测法较成热。鉴于此,以漏磁检测技术为基础进行断丝检测的研究。     

提高岸边集装箱起重机钢丝绳使用寿命的分析

岸边集装箱起重机在国内外的各大港口大量的配置使用,该设备具有效率高、故障率低、操作简单、自动化程度高等优点。然而如何提高钢丝绳寿命已成为各大港口所关注的焦点。文中从设计方面出发,考虑钢丝绳选型、承载能力、润滑等方面因素,提高钢丝绳的使用寿命,同时有针对性地对钢丝绳使用提出建议,进而提高岸边集装箱起重机的整体效率。     

基于优化YOLOv5s的道路场景车辆检测算法研究

为了解决人工识别车辆耗时耗力的问题,开展了面向道路场景的智能车辆检测算法研究,旨在实现智能化的车辆检测。提出了一种基于深度学习的道路车辆检测模型,通过采用轻量化且易于部署和开发的YOLOv5s模型作为基础模型,同时引入CA、SE和CBAM三个经典的注意力模块来替换YOLOv5的主干网络中的C3模块,使网络模型能够更好地聚焦于车辆区域,提升了车辆检测的准确性。这使得模型在保持高效性和易用性的同时,能够更好地适应复杂道路场景下的车辆检测需求。实验结果显示,将CBAM注意力模块引入网络模型后,在UA-DETRAC数据集上进行车辆检测的平均精度均值可达92.3%,相比其他注意力模块,其表现更为出色。这一研究结果对于实现智能化的车辆检测具有重要意义,有望为道路交通监控、驾驶辅助系统等应用提供更可靠的解决方案。     

基于改进YOLOv5的移动端螺栓缺失检测方法

大型结构件中螺栓缺失往往会产生重大的安全隐患,而目前通过深度学习进行目标检测的设备通常部署繁琐、困难,为了保证检测的高效率并且足够轻量化的性能,提出一种通过改进YOLOv5进行模型训练,并将模型轻量化移植到移动端的方法,以实现螺栓的快速识别与个数缺失统计与报警。首先利用LabelImg软件对现有的螺栓数据进行标注,标注完成后对该数据集进行训练,再将得到的模型文件转化并降低位宽,转化为TensorFlow Lite(TFLite)模型文件,进而在安卓端进行部署。结果表明,将模型部署在小米MI 9 SE手机上,进行单目标检测时准确率可以达到98%,多目标检测时准确率可以达到97%,推理时间在40 ms左右,且报警功能可以正常使用,为螺栓缺失的检测提供了一种新的轻量化方法。     

基于C-YOLOv5的烟叶烘烤熟度检测模型

针对目前烟叶烘烤房存在的烘烤质量较低,良品率较低等问题,提出一种自动化烟叶烘烤设备方案,依据工艺流程需要对烟叶熟度进行自动检测。通过增加注意力机制改进了Yolov5的算法实现C-Yolov5,以提高烟叶熟度自动判断的准确率。应用本项目建立的烟叶烘烤熟度数据集对两种模型进行训练,实验表明,相比于Yolov5模型,改进后的C-Yolov5每个训练轮次时间与原模型基本相同,平均预测准确率提高3.9%,mAP＿0.5:0.95比原模型高5%。对于准确检测烟叶烘烤熟度,降低烘烤成本、提升烟叶质量,具有重要意义。