相关实验视频
Updated: May 31, 2025

06:17
Production of a Strain-Measuring Device with an Improved 3D Printer
Published on: January 30, 2020
6.0K
在复杂的工业环境中,采用VEE-YOLO的高效轻量级检测方法来检测螺纹弹性针的缺陷.
Qiaoqiao Xiong1,2, Qipeng Chen3,4,5, Saihong Tang6
1Department of Mechanical and Manufacturing Engineering, Faculty of Engineering, Universiti Putra Malaysia, Serdang, 43400, Selangor, Malaysia.
Scientific reports
|January 22, 2025
概括
本研究介绍了VEE-YOLO,这是一个用于工业缺陷检测的增强深度学习模型. 它显著提高了小,复杂的缺陷的准确性和速度,使其成为现实应用的理想选择.
科学领域:
- 计算机视觉 计算机视觉
- 机器学习 机器学习
- 工业自动化 工业自动化
背景情况:
- 深度学习在缺陷检测方面表现出色,但在小型,封闭或照明差的工业部件方面却存在困难.
- 现有的模型在特征提取和在复杂条件下处理各种对象尺寸比方面面临挑战.
研究的目的:
- 开发基于YOLOv8-n. 的强大高性能缺陷检测模型VEE-YOLO.
- 为了增强特征提取,整合空间和通道信息,并改善工业缺陷检测的界限框回归.
主要方法:
- 引入了GSConv和VOVGSCSP模块,以改善功能提取和可重复使用性.
- 集成高效的多尺度关注,以增强通道间信息编码和功能融合.
- 利用EIoU损失来解决界限框面积比率的变化和样本不平衡.
主要成果:
- VEE-YOLO模型的大小从6.096 MB减少到5.486 MB.
- 检测速度从179 FPS增加到244 FPS.
- 在用于检测串串弹性针缺陷的数据集上,获得了0.926的平均平均精度 (mAP).
结论:
- 在工业缺陷检测方面,VEE-YOLO在速度和准确性方面表现出卓越的性能.
- 该模型的改进使其非常适合在复杂的工业环境中部署.
- 在现实世界制造环境中,VEE-YOLO为深度检测模型提供了重大进步.
更多相关视频
10:01The Visual Colorimetric Detection of Multi-nucleotide Polymorphisms on a Pneumatic Droplet Manipulation Platform
Published on: September 27, 2016
7.6K
08:15Fabrication of Fine Electrodes on the Tip of Hypodermic Needle Using Photoresist Spray Coating and Flexible Photomask for Biomedical Applications
Published on: November 28, 2017
9.6K