为提高轴承端面缺陷检测的速度以及检测精度,提出一种基于改进YOLO v3的轴承端面缺陷检测算法。首先,对图像数据集进行数据增强处理以防止产生过拟合现象;其次,通过改进K-means聚类算法重新聚类出目标检测的Anchor Boxes,并引入SKNet注意力机制模块对原网络结构以及输出层结构进行改进;最后对改进的YOLO v3算法进行实验验证,并与原YOLO v3算法进行对比分析。结果表明,改进后的YOLO v3算法相比原YOLO v3算法对轴承端面缺陷检测的mAP值提升了7.03%,检测速度提升了34.7帧/s,验证了改进算法的有效性。

为快速、准确地检测工业生产中工件表面产生的缺陷,提出了一种基于Yolo V3的工件表面缺陷检测方法。该方法以DarkNet卷积模型作为特征提取网络,通过引入数据增强方法防止产生过拟合现象,并针对工件表面缺陷形状单一、缺陷尺寸普遍偏小的特点改进了Yolo V3网络的特征融合方式,减少了冗余候选框的数量,提升了算法性能。以环形工件作为检测对象搭建了实验平台。实验结果表明,所提方法能克服人工提取特征的局限性,检测精度和检测速度均满足实际生产要求。

陶质焊接衬垫是桥梁、船舶、建筑等领域焊接工艺的一种焊接材料,有助于提高焊接功效。针对流水线上人工检测陶质焊接衬垫的产品质量效率低、成本高等问题,提出一种基于改进Yolo-v3的陶质衬垫产品质量检测方法。由于Yo?lo-v3模型检测效果不佳,设计出更适应流水线检测环境的Yolo-Res模型,将精简Yolo-v3模型与Resnet50模型结合,采用多属性特征预测目标陶质衬垫,保证特征区分度的同时提高检测精度。测试结果显示,所提出Yolo-Res算法的检测准确率达到88%,检测速度达到49.4ms/张。结果表明,该方法相比Yolo-v3等已成熟算法,在陶质焊接衬垫产品质量问题上具有更佳的检测性能。

为了保证全自动驾驶条件下列车编号识别的准确性,采用机器学习算法选择车辆编号区域图像的训练模型;根据车号位置、司机登车平台结构形式,合理选择车号机器视觉系统安装位置,确保所获取车号图像的完整性;采用YOLO算法对形态学处理完的图像进行字符识别,识别准确率大于99.74%,满足3σ原则,从而验证了训练模型以及算法的可靠性。

针对传统生物实验室自动化程度低、效率低的问题,提出一种基于YOLOv5s的细胞培养板分类识别算法—YOLOv5s-tiny。首先通过多尺度同态滤波颜色恢复算法对输入端图像进行预处理,提高了图像的成像效果;在考虑实验场景的情况下对小目标的检测层进行剪枝;使用深度可分离卷积代替普通卷积,减少了模型的参数量,提高了运算速度;采用距离交互比损失函数及软化非极大值抑制算法,加快了收敛速度,提高了边界框的准确率;加入卷积块注意力机制,解决了检测过程中局部遮挡和漏检问题;最后,使用YOLOv5s-tiny算法对细胞培养板进行实验。通过与原始YOLOv5s算法比较,验证该算法能快速、准确的对细胞培养板进行分类识别,准确率和召回率分别提高了4.5%和1.4%,提高了生物实验室的工作效率。

垃圾分拣是一个环境恶劣、重复性高、体力消耗大的岗位,适宜通过智能化设备代替人工进行垃圾分拣。文中提出一种基于YOLO v5s进行改进,用于垃圾识别分类的改进YOLO v5s视觉检测算法。首先进行结构改进,通过改进损失函数、引入K聚类锚框等改进,对2种注意力机制模块及2种嵌入的位置进行比较和选择以提高精度,并通过融合SPPF模块进行提速改进。结构改进后,通过对比实验数种训练策略,进行训练策略改进。同时在搜集到的小型数据集上进行比较,两部分改进后的算法比原算法的m AP提高了1.35%,同时对检测速度影响较小,并与其他算法进行了对比。

航空航天行业零部件种类繁多、定制化程度高,难以进行定位夹具的开发。视觉定位技术是智能制造中的关键一环,该技术基于机器视觉确定工件位置,不需要定位夹具,能够被广泛运用于各种工况。但现有视觉定位算法只适用于少数种类的零件,泛用性不高。本文提出了一种基于YOLOv5s目标检测网络和Siamese孪生网络的新型视觉定位算法(YOLO–Siamese变化检测网络)。网络引入ConvDiff(卷积差分)模块来提升变化检测网络的特征提取效果,并采用半监督学习方法对模型进行训练。试验表明,在没有使用目标工件数据集的条件下,算法在验证集上的AP@0.5达到了99.3%,AP@0.5:0.95达到了89.6%,单帧推理时间为16.13 ms。该算法无需目标工件数据、定位精度高、运算速度快,提高了视觉定位算法的鲁棒性和泛用性。