基于图像识别的PCB表观缺陷检测方法研究

1

作者 宋旭东 顾亚良 宋亮 《大连交通大学学报》 2025年第5期153-160,共8页

针对印刷电路板(PCB)表观缺陷因细微、位置分散等引起的检测精度低、漏检率高的问题,提出基于图像识别网络的PCB表观缺陷检测方法。改进后的网络在特征提取阶段采用部分卷积,并拓宽模块宽度,在缩减计算量的同时提高检测精度;将EVCBlock... 针对印刷电路板(PCB)表观缺陷因细微、位置分散等引起的检测精度低、漏检率高的问题,提出基于图像识别网络的PCB表观缺陷检测方法。改进后的网络在特征提取阶段采用部分卷积,并拓宽模块宽度,在缩减计算量的同时提高检测精度;将EVCBlock模块引入高层特征,以降低边角区域小目标的漏检率;在特征融合部分添加BiFormer模块,通过双路由注意力机制和稀疏采样保留细粒度细节,提升对小目标的检测效果;同时,采用MPDIoU损失函数解决特殊缺陷位置条件下网络优化失效的问题,简化计算过程。结果表明,改进网络的缺陷检测方法平均检测精度(mAP@0.5)达到98.5%,准确率为95.8%,召回率为98.4%,较原网络方法分别提升3百分点、3.3百分点、3.1百分点。对比其他主流方法,该方法检测效果更好,在电路板缺陷检测中具有更高的应用价值。 展开更多

关键词 PCB表观缺陷检测 部分卷积 EVCBlock模块 双路由注意力机制 mpdiou损失函数

在线阅读 下载PDF 职称材料

基于改进YOLOv7的航空发动机叶片表面缺陷检测

2

作者 武仁康 程志江 +2 位作者 吴动波 王辉 梁嘉伟 《现代电子技术》 北大核心 2025年第15期135-143,共9页

对于航空发动机叶片在生产加工过程中产生的各种缺陷,通常以人工目检的方式来进行检测。为避免因人为经验导致检测结果缺乏一致性,以及检测效率低的问题。文中提出一种基于改进YOLOv7的叶片检测方法,旨在精准高效地检测叶片表面的缺陷... 对于航空发动机叶片在生产加工过程中产生的各种缺陷,通常以人工目检的方式来进行检测。为避免因人为经验导致检测结果缺乏一致性,以及检测效率低的问题。文中提出一种基于改进YOLOv7的叶片检测方法,旨在精准高效地检测叶片表面的缺陷。针对生产加工过程中四类常见的典型缺陷,构建了航空发动机叶片表面缺陷数据集。在YOLOv7特征融合网络的ELAN-W中加入SKNet,使模型获得自适应感受野以增强网络特征提取的能力;在头部网络引入Dyhead提升模型的类别识别能力和检测性能;采用MPDIoU损失函数替代原始的CIoU损失函数以实现更加精确的边界框回归。所提方法在保证召回率的基础上提升了模型的检测性能,其中精度、召回率和mAP@0.5分别提升了5.3%、2.2%和3.7%,检测单张叶片的时间为4.93 s。为叶片的自动化检测提供了一种新方法。 展开更多

关键词 计算机视觉 缺陷检测 航空发动机叶片 改进YOLOv7 深度学习 mpdiou损失函数

在线阅读 下载PDF 职称材料

基于改进YOLOv8s的交通标志识别方法

3

作者 秦伦明 张云起 +2 位作者 崔昊杨 边后琴 王悉 《现代电子技术》 北大核心 2025年第17期145-152,共8页

针对自动驾驶汽车摄像头捕捉的交通标志图像尺度变化大且小目标占比多,易受背景环境干扰等特点,进而导致漏检、误检等问题,文中提出CMF-YOLOv8s交通标志检测算法。首先,去除原网络模型中大目标特征提取层及检测头,并且添加小目标检测头... 针对自动驾驶汽车摄像头捕捉的交通标志图像尺度变化大且小目标占比多,易受背景环境干扰等特点,进而导致漏检、误检等问题,文中提出CMF-YOLOv8s交通标志检测算法。首先,去除原网络模型中大目标特征提取层及检测头,并且添加小目标检测头,提高模型对小目标的检测精度并减少参数量;其次,在主干中添加改进的坐标注意力机制,通过全局平均池化和卷积操作获取全局通道信息,并结合位置信息处理特征图,提高模型在复杂环境中的目标检测精度;此外,使用FasterNet模块改进原模型中的C2f模块,降低参数量;最后,引入损失函数MPDIoU,通过顶点坐标综合考虑非重叠面积、中心点距离和宽高偏差等因素优化计算过程并提高模型检测精度。实验结果表明,CMF-YOLOv8s算法平均精度均值为91.2%,模型参数量为2.7×10^(6),相比原YOLOv8s模型平均精度均值提高了5.7%,模型参数量降低了76%,且对重叠、遮挡的交通标志识别精度更高,对自动驾驶的安全性具有实际意义。 展开更多

关键词 交通标志检测 mpdiou损失函数 Channel_CA机制 FasterNet模块 小目标检测 自动驾驶 CMFYOLOv8s

在线阅读 下载PDF 职称材料

基于改进YOLOv7-tiny的自爆绝缘子检测算法

4

作者 陈佳韵 肖根福 张祥明 《电子测量技术》 北大核心 2025年第7期66-74,共9页

在巡检过程中及时检测出自爆绝缘子能够有效预防电网事故的发生,针对卷积神经网络训练所需内存较大和检测速度慢,在移动设备上进行实时检测没有优势的问题,提出了改进的YOLOv7-tiny绝缘子自爆故障检测算法。首先,在YOLOv7-tiny算法中引... 在巡检过程中及时检测出自爆绝缘子能够有效预防电网事故的发生,针对卷积神经网络训练所需内存较大和检测速度慢,在移动设备上进行实时检测没有优势的问题,提出了改进的YOLOv7-tiny绝缘子自爆故障检测算法。首先,在YOLOv7-tiny算法中引入动态蛇形卷积并设计更为高效的动态蛇形层聚网络增加感受野;随后引入Gold-YOLO网络增强中间层的信息融合;而后使用MPDIoU损失函数减少预测边界的冗余;最后设计一套自爆绝缘子检测系统,以便巡检人员在海量图片中快速查找出自爆绝缘子。研究结果表明:改进后算法的均值平均精度为96.3%,比YOLOv7-tiny算法提高了1.1%。改进后算法对自爆绝缘子的平均精度达到99.5%,比YOLOv7-tiny算法提高了0.2%并比YOLOv7算法高出0.1%,而且改进后算法的规模仅为YOLOv7算法的28%且帧率提升了11.3,达到了60.6。改进后的算法在保证识别精度的同时能满足实时检测的需求。 展开更多

关键词 绝缘子 YOLOv7-tiny 动态蛇形卷积 Gold-YOLO mpdiou损失函数

原文传递

基于频率增强和细粒度融合的航拍小目标检测算法

5

作者 李杰 王晓明 《陕西科技大学学报》 北大核心 2025年第5期175-186,共12页

航拍图像中的目标排列密集,存在尺度差异大、细节模糊、以及易被背景淹没等问题,上述因素导致了小目标检测困难.针对这些问题,提出一种金字塔Transformer架构的小目标检测算法FE-DETR(Frequency Enhancement Detection Transformer).首... 航拍图像中的目标排列密集,存在尺度差异大、细节模糊、以及易被背景淹没等问题,上述因素导致了小目标检测困难.针对这些问题,提出一种金字塔Transformer架构的小目标检测算法FE-DETR(Frequency Enhancement Detection Transformer).首先提出频率增强Transformer,利用离散小波变换分离并增强饱含细节特征的高频信息,设计基于频率增强Transformer的金字塔结构主干,显著降低主干参数的同时最大限度减少提取过程中的小目标特征信息丢失;其次嵌入一种小目标专用的LR-FPN(Location Refined Feature Pyramid Network),在融合多尺度特征时,提取低层次目标信息并实现细粒度上下文融合,增强模型泛化能力;最后将Wasserstein距离与MPDIoU结合,提出能够适应尺度变化的NWD-MPDIoU损失函数,降低小目标的位置偏差敏感性,提升密集小目标样本回归精度.所提算法在VisDrone2019数据集上的mAP@0.5达到了51.1%,较基准模型在检测精度mAP@0.5值和mAP@[0.5-0.95]值上分别提升了5.2%和4.1%,参数量减少了28.1%,在DOTA和AITOD数据集上也取得较好效果,表明模型具有较强的泛化能力和鲁棒性,高效适用于密集场景下的小目标检测. 展开更多

关键词 FE-DETR算法 频率增强Transformer LR-FPN NWD-mpdiou损失函数

在线阅读 下载PDF 职称材料

改进YOLOv8表格行列单元格结构检测

6

作者 任强 玛依热·依布拉音 艾斯卡尔·艾木都拉 《中国科技论文》 CAS 2024年第5期607-614,共8页

当前数字办公文档中涵盖了大量的表格数据,因此智能化表格结构识别需求日益剧增,但表格结构紧密相连且表格结构类型复杂多变,从而导致表格结构检测难度极大。针对该问题,在YOLOv8的基础上,以ICDAR19-cTDaR表格单元格结构和TabStructDB... 当前数字办公文档中涵盖了大量的表格数据,因此智能化表格结构识别需求日益剧增,但表格结构紧密相连且表格结构类型复杂多变,从而导致表格结构检测难度极大。针对该问题,在YOLOv8的基础上,以ICDAR19-cTDaR表格单元格结构和TabStructDB表格行列结构为实验对象,提出了一种新型表格行列单元格结构检测方法。首先,为了增强表格单元格及行列特征提取能力,引入了可变形卷积网络(deformable convolution network,DCN)。其次,引入了空间通道重构卷积(spatial and channel reconstruction convolution,SCConv),该卷积不仅特征提取能力强而且能够减少冗余特征从而降低复杂性和计算成本。根据以上引入的卷积设计了一个新的模块——DSC模块以替代C2f中的Bottlenck模块,并命名为C2fDSC模块。此外,为了进一步加强表格结构的角落局部特征提取,在YOLOv8的骨干网络上加入了显示中心特征调节(explicit visual center feature adjustment,EVC)模块。最后,将原模型的损失函数替换为MPDIoU,在解决密集目标回归精度问题时,相较于原始模型损失函数,MPDIoU损失函数边界框回归的准确性和效率更高。实验结果表明,该表格结构检测算法在数据集ICDAR19-cTDaR上取得了目前最佳的实验效果(SOTA),单元格查准率、查全率和F1值分别为91.7%、82.3%和86.7%,在数据集TabStructDB表格行列检测中也取得了非常实用的性能结果。 展开更多

关键词 YOLOv8 EVC模块 C2fDSC模块 mpdiou损失函数 最佳性能

在线阅读 下载PDF 职称材料

基于改进YOLOv7的PCB缺陷检测算法 被引量：5

7

作者 张旭 陈慈发 董方敏 《计算机工程》 CAS CSCD 北大核心 2024年第12期318-328,共11页

在PCB缺陷检测领域中检测精度的提高一直是1个具有挑战性的任务。为了解决这个问题,提出一系列基于PCB缺陷检测的改进方法。首先,引入一种新的注意力机制,即BiFormer注意力机制,这种机制利用双层路由实现动态的稀疏注意力,从而减少计算... 在PCB缺陷检测领域中检测精度的提高一直是1个具有挑战性的任务。为了解决这个问题,提出一系列基于PCB缺陷检测的改进方法。首先,引入一种新的注意力机制,即BiFormer注意力机制,这种机制利用双层路由实现动态的稀疏注意力,从而减少计算量;其次,采用一种创新的上采样算子CARAFE,能够结合语义信息与内容信息进行上采样,使得上采样过程更加全面且高效;最后,基于MPDIoU度量采用一种新的损失函数,即LMPDIoU损失函数,能够有效地处理不平衡类别、小目标和密集性问题,从而进一步提高图像检测的性能。实验结果表明,所提改进后的模型在平均精度均值(mAP)方面取得了显著提高,达到了93.91%,与原YOLOv5模型相比提高了13.12个百分点,同时,在识别精度方面,所提改进后的模型表现也非常出色,达到了90.55%,与原YOLOv5模型相比提高了8.74个百分点。引入BiFormer注意力机制、CARAFE上采样算子以及LMPDIoU损失函数,对于提高PCB缺陷检测的精度和效率具有非常积极的作用,为工业检测领域的研究提供了有价值的参考。 展开更多

关键词 PCB缺陷 BiFormer注意力机制 mpdiou损失函数 上采样算子CARAFE 目标检测

在线阅读 下载PDF 职称材料

基于YOLOv8n的轻量级巴旦木果实识别方法 被引量：2

8

作者 方国文 何超 王鑫泽 《江苏农业学报》 CSCD 北大核心 2024年第9期1662-1670,共9页

在果园环境下,快速精准识别巴旦木果实对提升巴旦木采摘机器人的作业精度和效率至关重要。为减少果园场景中因树叶遮挡或果实重叠导致的巴旦木果实漏检现象,降低计算量和参数量,提高果实识别模型的性能和准确度,本研究在YOLOv8n模型的... 在果园环境下,快速精准识别巴旦木果实对提升巴旦木采摘机器人的作业精度和效率至关重要。为减少果园场景中因树叶遮挡或果实重叠导致的巴旦木果实漏检现象,降低计算量和参数量,提高果实识别模型的性能和准确度,本研究在YOLOv8n模型的基础上,利用ContextGuide模块替换原模型中主干网络(Backbone)部分基本构成单元C2f中的Bottleneck模块,利用BiFPN模块替代原模型中颈部网络(Neck)部分中的PANet模块,同时引入MPDIoU损失函数替换原模型中的CIoU损失函数,提出了一种改进的轻量级巴旦木果实检测模型(YOLOv8n-BCG)。并利用公开的巴旦木影像数据集对优化后的模型性能进行比较分析。结果表明,改进后模型参数量仅为1.528 M,平均精度值(mAP 0.50∶0.95)为69.7%,相比于原YOLOv8n模型提升0.5个百分点。与YOLOv5s、YOLOv5n、YOLOv7-tiny、Faster R-CNN等模型相比,YOLOv8n-BCG模型具有更低的浮点计算量和更高的检测精度值。本研究结果可为高效的巴旦木果实采摘机器人自动化作业提供技术支持。 展开更多

关键词 巴旦木 果实识别 BiFPN ContextGuide mpdiou损失函数 YOLOv8n

在线阅读 下载PDF 职称材料

基于DCGAN和改进YOLOv5s的钢丝帘布缺陷检测方法 被引量：4

9

作者 黄鹏 蔡露 +2 位作者 陈彬 周益航 易冬旺 《电子测量技术》 北大核心 2024年第3期144-155,共12页

为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其... 为解决钢丝帘布表面缺陷检测准确率低且泛化能力不强的问题,提出了一种基于DCGAN和改进YOLOv5s的缺陷检测方法。首先,通过调整DCGAN网络参数并优化超参数,使生成器能够生成具有丰富特征和清晰纹理的钢丝帘布缺陷图像,从而扩充数据集;其次,采用K-means++算法对钢丝帘布缺陷数据重新聚类锚框,以获得更优的锚框参数,实现锚框与实际缺陷的精确匹配;然后,在YOLOv5s主干网络中的C3模块添加坐标注意力机制,以增强模型的特征提取能力和精确定位能力;最后,引入MPDIoU损失函数替换YOLOv5s原损失函数,进一步提高检测精度。实验结果表明,在实测钢丝帘布缺陷数据集上,采用DCGAN数据增强和改进后的YOLOv5s检测模型,缺陷检测平均精度提高了6.6%,达到了89.4%,并且检测准确率和召回率也有所提高。与其他主流检测模型相比,该模型不仅在检测速度上提高了约30%,还保持较高的检测精度。在公开的NEU-DET数据集上,该模型的mAP值达到了82.6%,较原始YOLOv5s模型提高了3.8%。 展开更多

关键词 钢丝帘布缺陷检测 生成对抗网络 K-means++ 注意力机制 mpdiou损失函数

原文传递

基于改进型YOLOv9的绝缘子及缺陷检测 被引量：6

10

作者 罗希 贺强 +1 位作者 张宁轩 石超君 《机电工程技术》 2024年第10期197-202,共6页

目前的绝缘子及缺陷目标检测算法中普遍存在着诸如误检、漏检和检测精度低等一系列问题,提出一种改进的YOLOv9绝缘子及缺陷目标检测算法来更好地检测绝缘子及其残缺缺陷。首先,在YOLOv9的核心模块RepNCSPELAN中嵌入多样性分支块DBB,DBB... 目前的绝缘子及缺陷目标检测算法中普遍存在着诸如误检、漏检和检测精度低等一系列问题,提出一种改进的YOLOv9绝缘子及缺陷目标检测算法来更好地检测绝缘子及其残缺缺陷。首先,在YOLOv9的核心模块RepNCSPELAN中嵌入多样性分支块DBB,DBB可以增强单个卷积的表示能力,丰富特征空间,提高模型的特征提取能力,提升模型性能,同时基本不增加推理时间成本。其次,使用Haar小波的下采样HWD替换传统下采样,可以降低特征图的空间分辨率,同时保留尽可能多的信息,并且与传统的下采样方法相比,可以有效降低信息不确定性。最后使用MPDIoU作为模型的损失函数,MPDIoU通过直接计算预测框和真实框之间的关键点距离,能更准确地反映预测框和真实框之间的差异,从而提升模型的平均精度。在绝缘子及缺陷数据集上,改进后的算法YOLOv9-DHM的平均检测精度(Mean Average Precision,mAP)提高至96.8%,相比于原始算法提高了2.2%,精确率和召回率分别提高至95.4%和94.5%。改进后的算法相比原始算法,平均检测精度有明显提升,证明了算法改进后的可行性。 展开更多

关键词 绝缘子及缺陷检测 YOLOv9 特征提取 mpdiou损失函数 下采样

在线阅读 下载PDF 职称材料

基于改进的YOLOv5s绝缘子故障识别方法

11

作者 刘玉洁 金钧 《机械与电子》 2024年第12期31-36,共6页

为解决高速铁路绝缘子故障检测中常见的错检、漏检等问题,以YOLOv5s算法为基础进行优化提出TASM YOLOv5算法。首先,增加Triplet注意力机制,以提升算法的特征提取能力;其次,引入AFPN渐进特征金字塔网络来提高特征融合利用能力,并且选用S... 为解决高速铁路绝缘子故障检测中常见的错检、漏检等问题,以YOLOv5s算法为基础进行优化提出TASM YOLOv5算法。首先,增加Triplet注意力机制,以提升算法的特征提取能力;其次,引入AFPN渐进特征金字塔网络来提高特征融合利用能力,并且选用SiLU控制激活函数以提高稳定性;最后,更换损失函数为MPDIoU损失函数,可实现准确有效的边界框回归。实验结果表明,TASM YOLOv5算法的平均准确率较高,所得权重文件大小符合轻量化的要求,能有效提高绝缘子故障检测的精度。 展开更多

关键词 绝缘子故障识别 YOLOv5s网络 AFPN mpdiou损失函数

在线阅读 下载PDF 职称材料

基于改进YOLOv5s的轻量化交通标志识别检测算法 被引量：3

12

作者 刘菲 钟延芬 邱佳伟 《激光与光电子学进展》 CSCD 北大核心 2024年第24期92-104,共13页

为应对常见交通标志检测方法在光照条件不佳、捕获远距离小目标、复杂背景等情况下检测精度及模型计算效率不足的问题,提出一种改进的YOLOv5s算法,命名为BMGE-YOLOv5s。所提方法将YOLOv5s的原始骨干网络替换为BoTNet (bottleneck Transf... 为应对常见交通标志检测方法在光照条件不佳、捕获远距离小目标、复杂背景等情况下检测精度及模型计算效率不足的问题,提出一种改进的YOLOv5s算法,命名为BMGE-YOLOv5s。所提方法将YOLOv5s的原始骨干网络替换为BoTNet (bottleneck Transformer network),设计轻量化网络C3GBneckv2,引入GhostNetv2 bottleneck和高效的通道注意力机制,显著增强模型对交通标志的特征提取能力并降低参数量。为进一步提高对边界框的定位精度,采用MPDIoU损失函数进行优化。实验结果表明,改进后的网络模型在交并比阈值为0.5时的平均精度均值为93.1%,在同一数据集下相较基准模型提升3.3百分点,浮点运算数比基准模型减少9.375%,参数量减少~26.03%,检测速度提升~67.40%。所提算法有效平衡了鲁棒性和实时性,相比传统方法具有明显的性能优势。 展开更多

关键词 YOLOv5s 交通标志识别与检测 深度学习 注意力机制 轻量化 mpdiou损失函数

原文传递