机器视觉轴承缺陷检测标准

机器视觉轴承缺陷检测技术规范T/QGCML 672-2023的具体内容和应用范围是什么？

YOLOv5在轴承缺陷检测中的具体实现方法和效果评估如何？

1. 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。

2. 

   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。

3. 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。

Efficient-YOLO模型在工业轴承外观缺陷检测领域的改进点在哪里？

1. 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。

2. 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。

3. 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。

4. 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。

ISO 15243:2017标准中对轴承损伤类型的分类及其重要性是什么？

国内外在机器视觉轴承缺陷检测方面的最新研究进展有哪些？

1. 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。

2. 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。

3. 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。

4. 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。

5. 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。

6. 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。

7. 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。

8. 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。