赛迪发布《2021年5G发展展望白皮书》
418
2024-04-08
改进模型结构:为了提高推力球轴承表面缺陷检测的精确率和召回率,增强模型抗干扰能力,提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块。此外,还有研究通过将骨干网络中的C3模块替换为C2f模块,有效减少网络参数数量和计算复杂度,从而提高骨干网络的速度和准确性。
数据增强策略:为了克服轴承端面表面缺陷样本数据不足的问题,提出了一种联合Mosaic与Copy-Pasting策略的数据增强方法对样本进行扩充。
全表面缺陷检测算法:针对轴承套环表面缺陷的不同形式和大小、缺陷位置分布不均匀以及背景复杂等问题,提出了一种轴承套环全表面缺陷检测的改进算法ESD-YOLOv5。
在推力球轴承表面缺陷检测数据集中,改进YOLOv5模型的准确率达到87.0%,召回率达到83.0%,平均精度达到86.1%,平均每张图片检测时间为14.96 ms。
改进后的算法显著提高了推力球轴承缺陷的准确率、召回率和检测可靠性,而且检测速度也满足工业大批量检测的要求。
相比于传统的目标检测算法,YOLOv5在速度和精度上都有显著的提升,适用于复杂场景下的目标检测任务。
基于YOLOv5的自动化检测系统可以减少人为干扰,提高检测的准确性和一致性。
模型架构的优化:通过设计和审查三种不同的模型架构,增强了模型对小目标的关注度,并识别出最有效的网络结构。这一点对于工业轴承外观缺陷检测尤为重要,因为轴承上的缺陷往往较小,需要模型能够更精准地识别这些小尺寸的目标。
空间金字塔池化(SPP)的改进:提出了高效的空间金字塔池化(ESPP),以增强小目标特征的表示能力。这种改进有助于提高模型对轴承上微小缺陷的检测能力,从而提高检测的准确性。
多尺度检测能力的提升:结合Efficient RepGFPN以及HeavyNeck范式,显著提升了多尺度的检测能力。这对于工业轴承外观缺陷检测尤为重要,因为轴承上的缺陷可能出现在不同的尺度上,需要模型能够适应不同的尺度变化,以实现更全面的缺陷检测。
量化过程的优化:通过减少激活量化中的信息损失,确保了模型在保持稳定的同时,还能有效地解决量化引起的差异。这有助于提高模型的推理速度和准确性,对于实时性的工业轴承外观缺陷检测应用来说非常重要。
轴承表面缺陷的检测与分类:研究采用了基于机器视觉的图像处理技术,对轴承外圈表面进行缺陷检测和缺陷分类。这种方法主要针对6204深沟球轴承,通过面阵相机一次拍摄来实现。
全表面缺陷自动检测方法:提出了一种基于机器视觉的轴承套圈全表面缺陷自动检测方法,解决了多个缺陷随机分布在多个表面、人工检测困难的问题。
表面缺陷检测系统:利用CMOS工业相机获取轴承图像,并通过分析图像的灰度直方图来判断是否为缺陷轴承,从而进行快速准确的检查。
氮化硅陶瓷轴承表面缺陷检测技术:针对氮化硅陶瓷轴承球表面缺陷的检测,通过自主搭建检测平台和采用CCD相机,提高了缺陷检测的效率和精度。
微小缺陷检测技术:研究了基于机器视觉的轴承表面微小缺陷检测技术,使用CMOS工业相机采集轴承表面图像,并利用线性拉伸法与中值滤波方法预处理轴承表面图像。
维度分割法全表面缺陷检测:采用维度分割法对轴承视觉信息进行维度划分,并利用VGG16网络模型训练获取轴承特征向量,应用改进欧式距离公式替换VGG16全连接层对疑似缺陷区域进行识别。
轴承套端面缺陷检测:提出了一种应用机器视觉技术实现轴承套端面缺陷检测的方法,以解决人工检测效率低、人为因素影响大的问题。
防尘盖检测算法:研究了基于机器视觉的轴承防尘盖检测算法,采用最小二乘法进行圆的拟合,以实现工业现场对轴承防尘盖的自动检测。
版权声明:本文内容由网络用户投稿,版权归原作者所有,本站不拥有其著作权,亦不承担相应法律责任。如果您发现本站中有涉嫌抄袭或描述失实的内容,请联系我们jiasou666@gmail.com 处理,核实后本网站将在24小时内删除侵权内容。
发表评论
暂时没有评论,来抢沙发吧~