目的针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络Ghost...目的针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷。结果实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%。结论所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义。展开更多
文摘目的针对真实复杂的工业场景下焊接件表面缺陷检测精度低、速度慢和图像噪声大等问题,提出一种基于卷积神经网络的改进YOLOv4焊接件表面缺陷检测算法。方法该模型基于YOLOv4算法,首先,考虑到存储和计算资源的限制,使用了轻量级网络GhostNet替换YOLOv4的主干特征提取网络(Backbone)CSPDarknet53;其次,在GhostNet网络结构中嵌入改进的通道注意力机制,能够提高模型的学习能力且减少参数量;最后,引入K–means++聚类算法对焊接件表面缺陷数据集中待检测的标注框宽高进行聚类,使网络模型更容易检测到样本中的缺陷。结果实验结果表明,改进后的YOLOv4算法平均精度(mean Average Precision,mAP)为91.07%,检测速度达到48.11帧/s,模型尺寸为43.2 MB,比原始YOLOv4算法平均精度提升了4.61%,检测速度提高了26.59帧/s,模型尺寸缩减了82.37%。结论所提模型提高了焊接件表面缺陷检测的精度和速度,在工业表面缺陷检测中具有现实意义。
