摘要：本文以yolov5目标检测算法为基础算法,针对PCB缺陷检测进行了提高精度的改进。首先通过实验选取了合适的数据增强方法。针对PCB缺陷尺寸小的问题,在原有的3个检测头基础上增加了P2检测头。设计全新的PANet多特征融合结构,实现高效的双向跨尺度连接和加权特征层融合。针对PCB背景复杂的问题,引入了CBAM注意力模块以增强图像信息。引入了Transformer模块来增强算法,以提高捕捉不同位置的PCB缺陷信息的能力。最终通过这些改进,在检测速度FPS仅下降7.2的情况下,检测算法的mAP精度提高了11.3%。

摘要：为解决基于深度学习模型的目标检测任务在移动设备和嵌入式设备上难以部署的问题,以现有的yolo系列模型为实例,提出一种轻量级目标检测网络模型small-yoloV3及small-yoloV4。提取yolo模型的主干网络作为基础结构,采用SPP、PANet、FPN等重新轻量化设计,对轻量级模型int8量化达到降低参数大小和计算量的目的。实验结果表明,small-yoloV3及small-yoloV4模型在保证一定精度的情况下,其大小缩减为原模型的1/49,有效提高了在硬件条件受限情况下目标检测任务的速度。

摘要：SAR图像目标识别主要针对桥梁、机场等战略军事目标以及飞机、坦克、汽车等战术目标,进行精确的识别分类及定位,是SAR图像解译的重要一环。首先,构建C6678的卷积神经网络主要处理层,然后结合C6678的处理及存储特性,对卷积层和网络调度进行优化设计,完成了yolov3-TINY目标识别网络在C6678上的设计实现方法。该方法能够对常用卷积神经网络模型进行重构及修改,解决了C6678等多核DSP处理平台运行深度学习网络的难题。实验结果表明,该方法在检测性能上与GPU一致,考虑到机载SAR的实时图像帧率,虽然该方法在C6678的实时性能相对GPU还有较大差距,但其能够满足机载SAR实时处理需求。

摘要：在FPGA上实现yolo等目标检测算法,需要从模型量化到硬件优化等多种优化方法.为了缩短硬件延时,使用了三种技术:(1)利用层融合和位宽量化策略来降低计算复杂度;(2)利用具有padding跳过技术的基于列的流水线架构来减少启动时间;(3)利用设计空间探索算法来平衡流水线时间,提高DSP使用效率.为了验证提出的神经网络加速器架构,在ZC706 FPGA上实现了具有1280×384输入的yolo网络.与传统加速器相比,取得了1.97倍的延迟缩减或者1.54倍的DSP效率提升.

摘要：煤矿用钢丝绳在矿井作业中发挥着重要的应用价值,其可靠性直接关系到矿山运转效率以及工作人员的生命安全。针对现有钢丝绳表面缺陷检测精度较低、检测效率不足的问题,本文提出一种改进型yolov8检测算法yolo_BF,首先在骨干网路中引入改进型双层链路注意力机制(BiFormer)加强模型对图像的分析能力和信息融合能力,显著提高模型的精度。其次嵌入重复加权双向特征金字塔网路(BiFPN)提高网络缺陷特征提取能力,并在此基础上使用WIoU提高模型收敛速度,最后使用幻影卷积(GhostConv)替换传统卷积实现模型轻量化。相比原始基础网络yolov8n,本文所设计网络准确率、召回率和平均精度分别提升2.3%、3.3%、5.2%,更符合钢丝绳损伤检测的实际应用要求。

摘要：国产HY-1C卫星CZI数据单幅图像具有幅宽、重访周期短、数据处理快等特点。为了提高利用国产卫星数据的利用率,设计了基于HY-1C卫星CZI数据的小目标舰船检测实验方案。首先,对原始卫星数据图像增强,裁剪图像构建数据集;其次使用云检测和海陆分离降低数据处理量;最后,通过yolov4算法检测裁剪后图像中的舰船目标,并在整幅卫星图像中显示检测结果。结果表明,HY-1C卫星CZI数据可有效应用到舰船目标检测中,且具有较好的检测效果,拓展了国产卫星数据的应用场景。

摘要：自冲铆接技术适合铝钢等异种材料连接,接头性能可靠,在航空工业中有着广阔的应用场景,但目前针对自冲铆接缺陷无损检测的相关研究较少。提出了基于深度学习的自冲铆接偏铆缺陷检测算法,首先通过剪切力学性能试验得出偏铆自冲铆接件相较于正常铆接件力学性能下降了5.6%;然后通过自冲铆接偏铆件外部形貌特征将偏铆程度由外部特征定义在0~10的区间;最后探究了单步检测同双步检测间的检测效果差异,提出了yolov5s(You Only Look Once v5s)加ResNet18的检测方案,并通过Grad-CAM(Gradient-Weighted Class Activation Mapping)对不同检测方案的效果差异进行了可视化的解释。测试表明,提出的yolov5s加ResNet18的检测方案在所采集的数据测试集中可以达到100%正确率,高于仅用yolov5s取得的95.18%正确率,远高于仅用ResNet18取得的84.1%正确率。

摘要：航空航天行业零部件种类繁多、定制化程度高,难以进行定位夹具的开发。视觉定位技术是智能制造中的关键一环,该技术基于机器视觉确定工件位置,不需要定位夹具,能够被广泛运用于各种工况。但现有视觉定位算法只适用于少数种类的零件,泛用性不高。本文提出了一种基于yolov5s目标检测网络和Siamese孪生网络的新型视觉定位算法(yolo–Siamese变化检测网络)。网络引入ConvDiff(卷积差分)模块来提升变化检测网络的特征提取效果,并采用半监督学习方法对模型进行训练。试验表明,在没有使用目标工件数据集的条件下,算法在验证集上的AP@0.5达到了99.3%,AP@0.5:0.95达到了89.6%,单帧推理时间为16.13 ms。该算法无需目标工件数据、定位精度高、运算速度快,提高了视觉定位算法的鲁棒性和泛用性。

摘要：在某些固定的工业应用场景中,对目标检测算法的漏检容忍性非常低。然而,提升召回率的同时,目标周围容易规律性地产生一些无重叠的虚景框。传统的非极大值抑制(NMS)策略主要作用是抑制同一目标的多个重复检测框,无法解决上述问题。为此设计了一种各向异性NMS方法来对目标周围不同方向采取不同的抑制策略,从而有效消除规律性的虚景框。固定的工业场景中的目标形状和规律的虚景框往往具有一定关联性。为了促进各向异性NMS在不同方向的精确执行,设计了一种比例交并比(IoU)损失函数用来引导模型拟合目标的形状。此外,针对规则目标使用了一种自动标注的数据集增广方法,在降低人工标注工作量的同时扩大了数据集规模。实验结果表明,所提方法在轧辊凹槽检测数据集上的效果显著,应用于yolo系列算法时在不降低速度的同时提升了检测精度。目前该算法已成功应用于某冷轧厂轧辊自动抓取的生产线。

摘要：随着铁路线路服役期的增长,路基结构会因施工缺陷、养护不当、地质灾害和混凝土结构老化等因素出现病害.车载探地雷达技术是检测铁路路基病害的有效手段.然而,目前雷达数据的解译主要依赖人工识别,不仅效率低下,且主观性强.此外,也有少量智能识别方法得到了应用,但其识别精度通常难以满足实际工程的需求.鉴于此,本文提出了一种基于半监督深度学习方法识别路基病害.首先,针对病害体数据集中样本不平衡问题,研究了基于生成对抗网络模型的数据扩充方法,并采用少量优质化病害样本进行病害图谱智能化扩充;其次,基于yolov5网络对已有少量样本进行监督学习,获得病害识别的初始网络模型,再对智能化扩充样本进行识别标注,从而实现了病害体样本的类型平衡;最后,利用较完备数据集进行训练,提升智能模型识别精度.实验结果表明,模型精度最高可达94.53%,相比未扩充数据集的监督学习模型准确率提升了23.85%.表明本文所提出的智能新方法能够更大程度挖掘模型潜在学习能力,进而提高路基病害的识别精度.这对于铁路路基病害检测具有较强的工业应用价值.