咨询与建议

看过本文的还看了

相关文献

该作者的其他文献

文献详情 >基于改进YOLOv5的钢材表面缺陷识别方法 收藏

基于改进YOLOv5的钢材表面缺陷识别方法

Defect identification method for steel surfaces based on improved YOLOv5

作     者:王硕 张燎军 尹国江 Wang Shuo;Zhang Liaojun;Yin Guojiang

作者机构:河海大学土木与交通学院南京210098 河海大学水利水电学院南京210098 河海大学水利部水工金属结构安全检测中心南京210098 

出 版 物:《Journal of Southeast University(English Edition)》 (东南大学学报(英文版))

年 卷 期:2024年第40卷第1期

页      面:49-57页

核心收录:

学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 080502[工学-材料学] 0805[工学-材料科学与工程(可授工学、理学学位)] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)] 

基  金:The Natural Science Foundation of Jiangsu Province(No.BK20230956) the Jiangsu Funding Program for Excellent Postdoctoral Talents(No.2022ZB188) the Transportation Technology Plan Project of Jiangsu Province(No.2020QD28) 

主  题:钢材 缺陷检测 卷积神经网络 YOLO 

摘      要:由于传统的机器视觉检测方法在小尺度钢材表面缺陷识别中存在检测精度较差的问题,提出了一种基于改进YOLOv5算法的钢材表面缺陷无损识别方法.将Res2Block模块应用于YOLOv5算法的骨干,在扩大感受野的同时提高计算效率;在YOLOv5算法的颈部融合g^(n) Conv结构,以提高表面缺陷识别方法的计算性能.为验证所提方法的有效性,进行了不同模块组合的消融试验,并与其他目标检测方法进行了对比.结果表明:所提方法在钢材表面缺陷识别中实现了67.8%的mAP和86.0%的F_(1)值;与原始YOLOv5算法相比,所提方法在小尺度钢材表面缺陷识别方面表现更为优越;与其他目标检测方法如SSD、YOLOv3、YOLOv5-Lite、YOLOv8相比,所提方法的计算精度有明显的提高.

读者评论 与其他读者分享你的观点

用户名:未登录
我的评分