基于视觉的工业部件的表面缺陷检测
Zhendong Chen1,2, Xuefeng Feng3, Li Liu1,2
1College of Information Science and Engineering, Xinjiang University, Urumqi, 830046, China.
Scientific reports
|December 13, 2023
概括
这项研究引入了一种改进的YOLOv5模型,用于高精度的工业表面缺陷检测,显著减少错过和错误检测. 改进后的模型在识别微妙缺陷方面取得了卓越的准确性,提高了整体工业安全.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业质量控制 工业质量控制
背景情况:
- 工业部件表面缺陷可能会带来安全风险.
- 具有相似背景的微小缺陷导致检测准确度低 (错过/错误检测).
研究的目的:
- 为工业部件开发一个高精度的表面缺陷检测模型.
- 改进YOLOv5算法以提高准确性和可靠性.
主要方法:
- 拟议的SPPFKCSPC模块用于改进多尺度特征提取和融合.
- 集成的SPPFKCSPC与骨干中的C3模块用于增强特征表达和受感场.
- 嵌入式坐标注意力机制 (CA) 和改进的边界框回归到EIOU损失函数.
主要成果:
- 在NEU-DET数据集上实现了88.3%的平均平均精度 (mAP),提高了7.2%.
- 在PV-Multi-Defect数据集上达到97.5%的mAP,改善了1.5%.
- 在检测准确度和整体网络性能方面显著改进.
结论:
- 提出的基于YOLOv5的模型有效地提高了表面缺陷检测精度.
- 创新的模块和技术改善了特征提取,本地化和识别.
- 该模型为工业部件表面缺陷识别提供了强大的解决方案.
