摘要：针对当前钢材表面缺陷检测存在效率低和精度差等问题,以及现有缺陷检测模型结构复杂、参数量庞大、检测精度和实时性较差的挑战,基于YOLOv8s模型,提出一种轻量高效的钢材缺陷检测算法(FMG-YOLOv8s)。该方法采用轻量级的FasterNet网络作为骨干网络,降低模型复杂度并更好地处理多尺度特征信息,以提升检测性能;重构特征交互模块(M-C2f),有效保留空间和通道特征,抑制冗余信息,促进检测精度和速度的提升;设计GS-Detect模块作为整体模型的检测网络,降低模型复杂度,提升训练和推理速度。在Severstal钢材缺陷数据集进行实验验证,相较于YOLOv8s算法,FMG-YOLOv8算法的mAP提升3.3个百分点,参数量和计算量分别降低8.2×10^(6)和2.21×10^(10),检测速度达到250帧/s,召回率提升6.9个百分点。实验结果表明,该算法在检测精度、速度和轻量化方面取得更好的平衡,为边缘终端设备提供较高精度、轻量化和实时性的可靠参考。在NEU-DET缺陷数据集上进行泛化性验证,相较于原模型,mAP和检测速度分别提升3.1个百分点和185帧/s,结果显示该算法具备良好的鲁棒性。

摘要：为应对传统篦条缺陷检测方法效率低、易干扰等问题,该文提出一种PMC-YOLO篦条缺陷检测算法,以翅冀的篦条故障作为实验检测对象。首先,通过渐进特征融合网络AFPN(Asymptotic feature pyramid network)结合路径聚合网络PANet(Path aggregation network)的思想,提出一种P-AFPN特征融合方式,使模型适应不同层次的特征信息;其次,设计MC-SimSPPF模块,在SimSPPF(Simplified spatial pyramid pooling-fast)模块引入混合局部通道注意力机制MLCA(Mixed local channel attention),增强网络对有用特征的捕捉;之后,利用PP-LCNet(Pyramid lightweight convolutional neural network)实现主干网络的轻量级设计,确保高速度的同时维持高精度;最后,使用Focal-EIoU损失函数,准确地描述边界框之间的差异,提升目标定位精度。结果显示,改进的PMC-YOLO模型大小仅9.9 MB,平均检测精度达到93.8%,提升5.3%,检测速度达87 frame/s,适合在嵌入式设备上部署,且满足烧结环境下实时篦条缺陷检测需求。

摘要：针对PCB在生产过程中会出现短路、漏孔等缺陷,已有的损失函数和降采样算法存在定位不准确等导致缺陷检测收敛缓慢、检测结果不准确的问题,提出了一种基于掩模降采样和微小缺陷交并比损失的一阶段缺陷检测器.首先,提出基于面积损失的微小缺陷交并比损失函数,以进行更精确的微小缺陷回归定位;其次,提出基于动态掩模的降采样算法,以利于检测器在缩小参数矩阵尺寸过程中自动筛选重要特征、次要特征和噪声特征,提升缺陷检测器的特征提取能力.实验结果表明,提出的缺陷检测器在北京大学PCB缺陷数据集和Deep PCB数据集上可分别达到98.50%的mAP和99.02%的mAP,优于对比算法;提出的降采样算法使YOLOv5等检测器的mAP在北京大学PCB数据集中提升了1.6个百分点,提出的损失函数有利于YOLOv3和YOLOv4等检测器提升其在2个数据集上的检测准确率,展现出良好的鲁棒性.

摘要：熔接线是注塑制品中较为常见的缺陷,为检测该缺陷,采用机器视觉技术设计了一种利用骨架提取和斜率判断的图像检测方法。为了克服横梁反光及背景噪声和纹理的影响,利用高斯滤波和形态学运算消除图像中的反光干扰,并使用二值化突出横梁边缘信息;然后,结合处理后的图像,对其进行骨架提取与切割,并采用仿射变换得到旋正后的各段待测区域;最后,利用直线斜率判断的方式将异常区域作为缺陷检测出来。对采集的400张横梁区域图像进行实验测试,结果表明,该方法对于检测熔接线具有高效性,平均检测时长为1 s,且检测识别率达到97.8%,与直接采用直线检测方法相比,漏检率降低了40%,能够满足实际工厂生产的需要。

摘要：针对倒装焊芯片高频超声检测回波微弱、信号混叠、受噪声影响大导致焊球缺陷难以准确检测的难题,提出一种基于预调制线性调频(LFM)激励和自回归谱外推法的高频超声检测方法。建立倒装焊芯片缺陷高频超声检测仿真模型,结合超声探头响应设计LFM信号作为探头激励信号,采用预调制LFM信号作参考信号对回波信号进行脉冲压缩,抑制噪声,信噪比平均提高12 dB;利用改进协方差法计算信号有效频带的自回归系数,对脉冲压缩后超声信号有效频带进行频谱外推,分离混叠回波信号;通过参数化扫描获取倒装焊芯片B扫描图像,对含噪声B扫描矩阵进行脉冲压缩、计算自回归系数矩阵及频谱外推,经滑动平均滤波进一步抑制噪声亮斑,对比分析无缺陷焊球模型和裂纹、孔洞焊球模型结果。仿真结果表明,该方法能够大幅提高B扫图时域分辨率,在-4 dB噪声影响下仍有较好效果。通过提取B扫图回波峰值所在时间,结合材料声速可计算缺陷预埋深度。在裂纹、孔洞缺陷焊球模型中预埋深计算误差均小于5%,可实现焊球缺陷识别与定位。

摘要：针对耐火砖表面的缺陷检测问题,提出了一种利用光栅投影轮廓术进行表面缺陷检测的方法。利用投影仪投影光栅图案到耐火砖表面,工业相机采集投影在耐火砖表面的光栅投影图像并采用六步相移法对其进行解码,获得包裹相位。利用三频外差法进行相位展开并消除跳变误差,得到绝对相位;再利用缺陷处绝对相位的异常变化,对绝对相位进行求梯度的计算得到缺陷边缘;对图像进行形态学处理,准确的识别表面缺陷。实验结果表明:将光栅投影轮廓术与图像处理相结合的方法,可以准确地、高效地检测出耐火砖表面的缺陷,能很好地满足对耐火砖表面多种缺陷的检测要求。

摘要：工业缺陷图像样本是工业产品缺陷检测、分类和分级的基础数据。针对工业缺陷检测目前仍存在复杂环境下的目标检测困难、样本数量不足导致特征提取差等问题,提出了一种预训练的自编码器生成对抗网络。用预训练的自编码器代替基础生成对抗网络(GAN)的生成网络,引导生成网络更好地融合数据特征。结合目标图像的特征重新设计一个编码器-解码器损失函数来替换GAN的对抗损失函数。利用钢卷端面缺陷数据集进行试验。试验结果表明,经过改进GAN数据增强后,平均精度均值mAP0.5最高提升了0.118,对单类缺陷的检测准确率最高提升了0.138。

摘要：【目的】高功率半导体激光器的光学灾变损伤是限制其可靠性和寿命的主要因素,因此,有效的缺陷检测对于优化激光器芯片的制造工艺和结构设计至关重要。提出了一种基于改进YOLOv7-Tiny的轻量化激光器芯片缺陷检测算法,旨在解决深度学习应用于缺陷检测时面临的高计算量和参数量问题。【方法】利用轻量化卷积神经网络替换特征提取主干有效减少对计算资源消耗,有效提取电致发光图像中缺陷特征。为从上下文特征获取更丰富的信息,引入多分支重参数化卷积块重构聚合模块,通过多路径分支丰富特征表示,训练与推理的解耦保证检测效率。此外,结合坐标注意力,提升定位精度。进行了剪枝实验和模型部署,验证算法的初步应用。【结果】在电致发光缺陷数据集上的实验结果显示,本文方法能在较低的参数和计算量下准确地检测出芯片缺陷,展现出良好的性能。

摘要：目的针对目前药片泡罩包装缺陷检测算法中缺陷类型单一、检测精度低、实时性能差等问题,提出了一种基于改进YOLOv8的药片泡罩包装缺陷检测算法UACSS-YOLO(UNetV2-ADown-ContextAggregation-Slim-Neck-SAttention-YOLO)。方法该算法首先设计了主干网络UNetV2捕捉多尺度特征,采用轻量化下采样卷积层ADown降低训练成本,接着引入注意力机制ContextAggregation聚合上下文信息,提升复杂背景下的检测能力,最后将原颈部网络和检测头分别替换为Slim-Neck和SAttention,以减少参数量并提高检测速度。结果UACSS-YOLO较YOLOv8在精确度P上提升了6.6%,在召回率R上提升了5.2%,在P_(mA)@0.5上提升了4.8%,同时浮点运算数只有11.9 G。结论相比其他算法,UACSS-YOLO满足低算力兼顾高精度的部署需求,为药片制造过程中的实时缺陷检测提供了一种高效的技术解决方案。

摘要：目前制造业中,金属零件的缺陷问题会导致重大经济损失,主要问题在于零件缺陷小且缺陷位置出现随机,传统人工检测难以区分微小缺陷位置与非缺陷位置,且人力成本高,经济效益低下。针对这一问题,研究提出一种基于机器视觉的金属零件表面缺陷检测方法,通过机器视觉检测代替人力劳动,同时采用交互式空间位置注意力模块,解决了金属零件表面的缺陷不明显难以检测的问题,采用对偶局部-全局Transformer模块,解决了缺陷区域与周围正常区域难以区分的问题,提高了金属零件表面微小缺陷的检测性能,从而提高企业经济效益。