工业滚筒的表面缺陷检测:使用增强的YOLOv8n和结构光来进行精确的检查
Guofeng Qin1,2, Qinkai Zou2, Mengyan Li2
1Teachers College for Vocational and Technical Education, Guangxi Normal University, Guilin, People's Republic of China.
PloS one
|February 5, 2025
概括
这项研究引入了一种新的线边结构光系统和一个增强的YOLOv8n深度学习模型,用于检测鼓滚筒表面缺陷. 改进后的系统实现了高精度 (97.2% mAP) 和速度 (4.3ms),确保了更好的生产质量.
科学领域:
- 工业自动化 工业自动化
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 传统的视觉检查系统因不清晰的特征反射,低效率和不足够的准确性而难以检测滚筒表面缺陷.
- 现有的方法缺乏有效的质量控制所需的精度,在鼓滚子制造.
研究的目的:
- 设计一个先进的图像采集系统,使用线条边缘结构光来更清晰地可视化缺陷.
- 开发基于YOLOv8n的改进深度学习模型,以高效准确地检测滚筒表面缺陷.
主要方法:
- 实施了线边结构光成像系统,以提高缺陷特征的可见性.
- 调整了YOLOv8n模型,采用可变形卷积,新的功能融合模块和Wise-IoU损耗,以获得更高的性能.
- 利用可变形卷积来改善特征提取,并使用新的融合模块来实现更丰富的信息集成.
主要成果:
- 增强的YOLOv8n模型在缺陷检测方面实现了97.2%的平均平均精度 (mAP).
- 该系统展示了4.3ms的快速检测时间,表明了高效率.
- 拟议的系统和算法显著提高了鼓滚筒表面缺陷检测的准确性和效率.
结论:
- 开发的线路边缘结构光成像系统和改进的YOLOv8n模型有效地提高了滚筒滚筒生产质量.
- 该系统为工业环境中的实时,准确的表面缺陷检测提供了强大的解决方案.
- 未来的研究应该考虑旋转边界框和各种数据集,以解决长长缺陷的局限性并改善概括性.
