改进YOLOv5的汽车齿轮配件表面缺陷检测

doi:10.3778/j.issn.1002-8331.2306-0425

摘要/摘要

摘要：针对汽车齿轮配件表面缺陷检测存在效率低和精度差的问题，提出一种基于YOLOv5公司改进的缺陷检测模型YOLO-CNF公司在骨干网络中增加哥伦比亚广播公司注意力模块，使模型更加关注齿轮配件的缺陷区域，提高对微小缺陷的识别能力；设计了F2C层模块用于融合浅层特征，在一定程度上缓解了微小缺陷位置信息丢失的问题；利用NWD（归一化Wasserstein距离）对回归损失进行优化，减少对小目标位置偏差的敏感性，从而进一步提高目标位置的准确率和精度。实验结果表明，改进模型的平均精度均值达到了86.7%，相较于原始模型提高了3.2个百分点，检测速度为43?帧/第页基本满足了对汽车齿轮配件表面缺陷检测的需求。

关键词: 缺陷检测, 齿轮配件, CBAM、，特征融合, 西北偏东

摘要：针对汽车齿轮零件表面缺陷检测效率低、精度差的问题，提出了一种基于YOLOv5的改进型缺陷检测方法YOLO-CNF。首先，将CBAM注意模块添加到主干网络中，使模型更加关注齿轮零件的缺陷区域，提高识别小缺陷的能力。其次，F2C模块设计用于融合浅层特征，在一定程度上缓解了小缺陷位置信息丢失的问题。最后，使用NWD优化回归损失，以降低对小目标位置偏差的敏感性，进一步提高目标位置的准确性和精度。实验结果表明，改进算法的平均精度达到86.7%，比原算法提高了3.2个百分点，检测速度为43帧/秒。改进后的算法基本满足了汽车齿轮零件表面缺陷检测的需要。

关键词： 缺陷检测，齿轮部件，卷积块注意网络（CBAM），保险丝功能，归一化Wasserstein距离（NWD）

朱德平, 程光, 姚景丽. 改进YOLOv5公司的汽车齿轮配件表面缺陷检测[J] ●●●●。计算机工程与应用, 2024, 60(5): 321-327.

朱德平、程光、姚敬礼。汽车齿轮零件表面缺陷检测的改进YOLOv5模型[J]。计算机工程与应用，2024，60（5）：321-327。

参考文献

[1] GHOBAKHLOO M.工业4.0、数字化和可持续发展机会[J]。《清洁生产杂志》，2020，252:119869。
[2] VIAL G.理解数字化转型：综述和研究议程[J]。《战略信息系统杂志》，2019，28（2）：118-144。
[3] GU I Y H，ANDERSSON H，VICEN R.基于图像分析和支持向量机的木材缺陷分类[J]。木材科学与技术，2010，44:693-704。
[4] 建C，高洁，AO Y.基于机器视觉的手机屏幕玻璃表面缺陷自动检测[J]。应用软件计算，2017，52:348-358。
[5] 张华，郭姿，齐姿，等.基于DFT和最优阈值法的玻璃缺陷检测研究[C]//2012国际计算机科学与信息处理会议，2012:1044-1047。
[6] 黄浩，胡C，王涛，等.基于机器视觉和机器学习的手机面板工件表面缺陷检测[C]//2017 IEEE信息与自动化国际会议，2017:370-375。
[7] WILSON B A，LEDGER P D，LIONHEART W R B.利用光谱磁极化张量特征识别金属物体：物体分类[J]。国际工程数值方法杂志，2022，123（9）：2076-2111。
[8] 邹Z，陈K，石Z，等。20年来的物体探测：一项调查[J]。IEEE会议记录，2023，111（3）：257-276。
[9] 贾维德·S，丹妮尔詹·M，坎·法斯·S，等.基于区分滤波器和暹罗网络的视觉目标跟踪：综述与展望[J]。IEEE模式分析和机器智能汇刊，2022，45（5）：6552-6574。
[10] KIRAN B R，SOBH I，TALPAERT V，等.自主驾驶的深度强化学习：一项调查[J]。IEEE智能交通系统汇刊，2021，23（6）：4909-4926。
[11] 丁磊，戴磊，李刚，等.TDD‐Net：一种用于印刷电路板的微小缺陷检测网络[J]。CAAI智能技术汇刊，2019，4（2）：110-116。
[12] 陈杰，刘姿，王华，等。基于深度卷积神经网络的接触网支撑装置紧固件缺陷自动检测[J]。IEEE仪器和测量汇刊，2017，67（2）：257-269。
[13] 何毅，宋坤，孟清，等。一种融合多层次特征的端到端钢材表面缺陷检测方法[J]。IEEE仪器与测量学报，2019，69（4）：1493-1504。
[14] 包伟，杜X，王恩，等.一种基于BC-YOLO的无人机遥感图像传输线组件缺陷检测方法[J]。遥感，2022，14（20）：5176。
[15] TAN M，PANG R，LE Q V.EfficientDet:可扩展和高效的目标检测[C]//IEEE/CVF计算机视觉和模式识别会议论文集，2020：10781-10790。
[16] WOO S，PARK J，LEE J Y，等.CBAM:卷积块注意模块[C]//欧洲计算机视觉会议论文集，2018:3-19。
[17] 李浩，熊平，安杰，等。语义切分的金字塔注意网络[J]。arXiv:1805.101802018年。
[18] LIN T Y，DOLLáR P，GIRSHICK R，等.用于目标检测的特征金字塔网络[C]//IEEE计算机视觉和模式识别会议论文集，2017:2117-2125。
[19] 王杰，许聪，杨伟，等.用于微小目标检测的归一化高斯-瓦瑟斯坦距离[J]。arXiv:2110.133892021。
[20] 刘伟，安格洛夫D，埃尔罕D，等.SSD:单次多盒探测器[C]//第十四届欧洲计算机视觉会议论文集，2016:21-37。
[21]REN S，HE K，GIRSHICK R，等.更快的R-CNN：利用区域提议网络实现实时目标检测[J]。IEEE模式分析和机器智能汇刊，2017，39（6）：1137-1149。
[22]张泽，陆X，曹G，等.ViT-YOLO：基于变压器的目标检测YOLO[C]//IEEE/CVF国际计算机视觉会议论文集，2021:2799-2808。
[23]GE Z，LIU S，WANG F，等.YOLOX：2021年超越YOLO系列[J]。arXiv:2107.084302021。
[24]WANG C Y，BOCHKOVSKIY A，LIAO H Y M.YOLOv7:可培训的免费行李为实时目标探测器设置了新的最先进技术[C]//IEEE/CVF计算机视觉和模式识别会议记录，2023:7464-7475。
[25]LI C，LI L，JIANG H，et al.YOLOv6:一种用于工业应用的单级对象检测框架[J]。arXiv:2209.029762022。

改进YOLOv5公司的汽车齿轮配件表面缺陷检测

汽车齿轮零件表面缺陷检测的改进YOLOv5模型

PDF格式

可视化

摘要/摘要

引用本文

使用本文

参考文献

相关文章15

编辑推荐

韵律学

[1]	高春艳, 秦燊, 李满宏, 吕晓玲.改进YOLOv7公司算法的钢材表面缺陷检测研究[J] ●●●●。计算机工程与应用, 2024, 60(7): 282-291.
[2]	徐洪俊, 唐自强, 张锦东, 朱沛华.钢材表面缺陷检测的YOLOv5s公司[J] ●●●●。计算机工程与应用, 2024, 60(7): 306-314.
[3]	江兴旺, 赵兴强.改进YOLOv7公司的木材表面缺陷检测算法[J] ●●●●。计算机工程与应用, 2024, 60(7): 175-182.
[4]	马亚美, 王双亭, 都伟冰.双分支多维注意特征融合的高光谱图像分类[J] ●●●●。计算机工程与应用, 2024, 60(7): 192-203.
[5]	苏佳, 秦一畅, 贾泽, 王静.基于ATO-YOLO公司的小目标检测算法[J] ●●●●。计算机工程与应用, 2024, 60(6): 68-77.
[6]	刘歆宁.融合多特征及协同注意力的医学命名实体识别[J] ●●●●。计算机工程与应用, 2024, 60(6): 188-198.
[7]	曲海成, 袁旭东, 李佳琦.适用于约束环境的轻量级目标检测模型[J] ●●●●。计算机工程与应用, 2024, 60(6): 274-281.
[8]	苏振强, 苟刚.联合知识和视觉信息推理的视觉问答研究[J] ●●●●。计算机工程与应用, 2024, 60(5): 95-102.
[9]	宋雨, 王帮海, 曹钢钢.结合数据增强与特征融合的跨模态行人重识别[J] ●●●●。计算机工程与应用, 2024, 60(4): 133-141.
[10]	陈丽芳, 罗世勇.融合卷积和变压器的多尺度肝肿瘤分割方法[J] ●●●●。计算机工程与应用, 2024, 60(4): 270-279.
[11]	李洵, 甘润东, 钱俊凤, 张世恒, 赵文彬, 王道累.改进YOLOv5公司混合样本训练的绝缘子伞盘脱落缺陷检测方法[J] ●●●●。计算机工程与应用, 2024, 60(4): 289-297.
[12]	周燕, 廖俊玮, 刘翔宇, 周月霞, 曾凡智.改进FCEN网的自然场景文本检测算法[J] ●●●●。计算机工程与应用, 2024, 60(3): 228-236.
[13]	吴则举, 宋丽君, 冀杨.基于改进特征金字塔的轮胎X（X）光图像缺陷检测[J] ●●●●。计算机工程与应用, 2024, 60(3): 270-279.
[14]	田浩, 周强, 贺晨龙.基于多尺度特征融合的光伏组件缺陷检测[J] ●●●●。计算机工程与应用, 2024, 60(3): 340-347.
[15]	孙嘉傲, 董乙杉, 郭靖圆, 李明泽, 李帅超, 卢树华.自适应与多尺度特征融合的X公司[J] ●●●●。计算机工程与应用, 2024, 60(2): 96-102.