-
题名基于机器视觉的小样本零部件表面DD
被引量：1
- 1
-
-
作者
佟鑫
郑彤
于重重
叶洋
-
机构
北京工商大学人工智能学院
-
出处
《计算机仿真》
北大核心
2023年第4期160-164,212,共6页
-
基金
北京市自然科学基金资助项目(4202015)。
-
文摘
现有汽车零部件表面缺陷检测方法大多数都是依靠人工目检或传统的图像处理方法,其检测精度和速度都不能满足零部件工厂需求。由于汽车零部件的残次率低,导致可用的数据量少,一般的深度学习模型不能很好地应用于汽车零部件表面缺陷检测。针对上述问题,提出一种基于机器视觉的小样本汽车零部件表面缺陷检测方法。上述方法在Faster RCNN检测网络基础上,采用指导框区域候选网络改进原有的区域候选网络,并且利用聚焦式损失函数来进一步改善正负样本不均衡的问题,同时加入循环特征金字塔结构以及组合特征关系检测器。在汽车零部件表面缺陷数据集和小样本FSOD数据集上的实验结果表明,小样本汽车零部件表面缺陷检测模型较好地实现了在小样本零部件数据条件下对零部件表面缺陷的检测。
-
关键词
缺陷检测(DD)
小样本学习
指导框区域候选网络
循环特征金字塔
组合特征关系检测器
-
Keywords
Defect detection(DD)
Few-shot learning
Guided anchoring region proposal network
Recursive feature pyramid
Combined feature relation detector
-
分类号
TP391.9
[自动化与计算机技术—计算机应用技术]
-
-
题名改进YOLOv5的沥青路面病害检测算法
被引量：5
- 2
-
-
作者
杨振
李林
罗文婷
倪昌双
傅幼华
-
机构
福建农林大学交通与土木工程学院
福建农林大学数字福建智能交通技术物联网实验室
南京工业大学交通运输工程学院
-
出处
《计算机工程与设计》
北大核心
2023年第11期3360-3372,共13页
-
基金
国家重点研发计划基金项目(2021YFB3202901)
福建省高校产学合作重大基金项目(2020H6009)。
-
文摘
为提升沥青路面病害自动化识别的准确率,提出一种特征网络增强算法(YOLO-EH)。该网络包含一种可以与CBAM注意力机制进行结合的新型特征增强模块(FEM)以及一种可以对FPN添加反馈链接的新型逆向二次循环特征金字塔网络(RCFPN)。实验结果表明,与原YOLOv5算法相比,YOLO-EH对于同一批路段数据在平均病害识别准确率上提高了2.6个百分点,验证了其准确性与有效性。
-
关键词
深度学习
沥青路面病害识别
目标检测
YOLOv5
注意力机制
特征增强模块
逆向二次循环特征金字塔网络
-
Keywords
deep learning
asphalt pavement disease recognition
object detection
YOLOv5
attention mechanism
feature enhancement module
reverse quadratic cyclic feature pyramid network
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
