检索结果-南通市图书馆

基于特征融合与语义引导的药用胶囊表面缺陷检测

在线全文

学校读者我要写书评

暂无评论

计算机集成制造系统 2025年第1期31卷 158-170页

作者：董豪李少波杨静王军贵州大学机械工程学院贵州贵阳550025 贵州理工学院大数据学院贵州贵阳550025 贵州大学公共大数据国家重点实验室贵州贵阳550025

作为制药产业中常见的药剂容器,胶囊质量与病症的治疗效果以及患者身体的健康状况密切相关。因此,在胶囊生产质量管理流程中,产品质检技术对其批量生产与实际效用有着重要意义。为实现药用胶囊表面缺陷的像素级分割,提出一种基于特征融... 详细信息

作为制药产业中常见的药剂容器,胶囊质量与病症的治疗效果以及患者身体的健康状况密切相关。因此,在胶囊生产质量管理流程中,产品质检技术对其批量生产与实际效用有着重要意义。为实现药用胶囊表面缺陷的像素级分割,提出一种基于特征融合与语义引导的药用胶囊表面缺陷检测方法。首先,利用特征融合模块聚集多尺度语义信息,使各级特征得到有效利用,以增强对多类目标以及细小缺陷的分割能力;其次,为缓解编解码过程中特征丢失问题,通过语义引导模块对语义信息进行正确疏导,提升缺陷分割的局部效果;最后,在细化分割模块的作用下,进一步优化表面缺陷的分割细节。在胶囊缺陷数据集上的评估结果表明,相比于众多现有方法,所提方法在多维度的评价指标下(包括精度、速度、模型大小以及训练时长)具有更为平衡的整体性能。

关键词：深度学习语义分割缺陷检测注意力引导多尺度融合

在线全文

学校读者我要写书评

暂无评论

基于机器视觉的半导体晶圆缺陷检测方法综述

中国图象图形学报 2025年第1期30卷 25-50页

作者：胡志强吴一全南京航空航天大学电子信息工程学院南京211106

当今许多新兴科技领域的发展需要集成电路(integrated circuit,IC)技术的支撑。半导体晶圆作为集成电路芯片中的关键角色,因制作工艺复杂,容易产生各种缺陷,其故障会极大地影响芯片的最终工作性能并增加成本。因此半导体晶圆的缺陷检测... 详细信息

当今许多新兴科技领域的发展需要集成电路(integrated circuit,IC)技术的支撑。半导体晶圆作为集成电路芯片中的关键角色,因制作工艺复杂,容易产生各种缺陷,其故障会极大地影响芯片的最终工作性能并增加成本。因此半导体晶圆的缺陷检测是保证其良品率和生产率的重要手段。结合机器视觉算法的晶圆缺陷检测方法普适性强、速度快,能更好地满足工业检测的相关需求。鉴于此,综述了近十几年来半导体晶圆缺陷检测方法的研究进展,介绍了晶圆制造的复杂工艺、表面缺陷检测的流程,根据不同的标准将晶圆缺陷进行分类。重点阐述了基于学习的方法,包括有监督机器学习、无监督机器学习、混合学习、半监督学习以及迁移学习5大类。对晶圆缺陷检测的深度神经网络分类为检测网络、分类网络、分割网络与组合网络。随后梳理了在晶圆缺陷检测领域常用的数据集以及性能评价指标。最后总结了晶圆缺陷检测当前存在的问题,对未来的研究方向进行了展望。

关键词：半导体晶圆缺陷检测机器视觉深度神经网络(DNN) 机器学习晶圆缺陷数据集

在线全文

学校读者我要写书评

暂无评论

基于人类视觉认知机制的表面缺陷检测

浙江大学学报(理学版) 2025年第1期52卷 38-49页

作者：崔丽莎代润鹏姜晓恒李飞蝶陈恩庆徐明亮郑州大学计算机与人工智能学院河南郑州450001 智能集群系统教育部工程研究中心河南郑州450001 国家超级计算郑州中心河南郑州450001 郑州大学电气与信息工程学院河南郑州450001

进行表面缺陷检测是确保产品性能、质量、美观度以及生产效率的重要手段。尽管人工智能在视觉检测领域取得了飞速发展,但基于生物视觉认知指导机器视觉学习的方法,仍是研究难点。提出了一种基于人类视觉认知机制的表面缺陷检测网络(HVCM... 详细信息

进行表面缺陷检测是确保产品性能、质量、美观度以及生产效率的重要手段。尽管人工智能在视觉检测领域取得了飞速发展,但基于生物视觉认知指导机器视觉学习的方法,仍是研究难点。提出了一种基于人类视觉认知机制的表面缺陷检测网络(HVCM-Net)。在宏观层面,模拟视网膜上中央凹和中央凹外区域的工作原理,提出了中央视觉分支和外周视觉分支并行的骨干网络,分别负责学习缺陷图像的高空间频率局部细节信息和低空间频率全局语义信息。在微观层面,动态权重融合模块(DWFM)以自适应的方式融合两个分支的输出特征图,可学习和过滤更全面、准确和互补的缺陷特征。另外,融合分支引入特征保存下采样(FPD)模块,采用特征拼接技术,有效缓解了传统采样可能产生的微弱缺陷信息丢失问题。HVCM-Net在缺陷数据集GB-DET、NEU-DET和DAGM2007上取得了优于其他方法的检测性能,验证了其有效性。

关键词：缺陷检测人类视觉中央视觉外周视觉特征融合

改进轻量高效FMG-YOLOv8s的钢材表面缺陷检测算法

同方期刊数据库博看期刊评论

在线全文

学校读者我要写书评

暂无评论

计算机工程与应用 2025年第3期61卷 84-93页

作者：梁礼明龙鹏威李俞霖江西理工大学电气工程与自动化学院江西赣州341000

针对当前钢材表面缺陷检测存在效率低和精度差等问题,以及现有缺陷检测模型结构复杂、参数量庞大、检测精度和实时性较差的挑战,基于YOLOv8s模型,提出一种轻量高效的钢材缺陷检测算法(FMG-YOLOv8s)。该方法采用轻量级的FasterNet网络作... 详细信息

针对当前钢材表面缺陷检测存在效率低和精度差等问题,以及现有缺陷检测模型结构复杂、参数量庞大、检测精度和实时性较差的挑战,基于YOLOv8s模型,提出一种轻量高效的钢材缺陷检测算法(FMG-YOLOv8s)。该方法采用轻量级的FasterNet网络作为骨干网络,降低模型复杂度并更好地处理多尺度特征信息,以提升检测性能;重构特征交互模块(M-C2f),有效保留空间和通道特征,抑制冗余信息,促进检测精度和速度的提升;设计GS-Detect模块作为整体模型的检测网络,降低模型复杂度,提升训练和推理速度。在Severstal钢材缺陷数据集进行实验验证,相较于YOLOv8s算法,FMG-YOLOv8算法的mAP提升3.3个百分点,参数量和计算量分别降低8.2×10^(6)和2.21×10^(10),检测速度达到250帧/s,召回率提升6.9个百分点。实验结果表明,该算法在检测精度、速度和轻量化方面取得更好的平衡,为边缘终端设备提供较高精度、轻量化和实时性的可靠参考。在NEU-DET缺陷数据集上进行泛化性验证,相较于原模型,mAP和检测速度分别提升3.1个百分点和185帧/s,结果显示该算法具备良好的鲁棒性。

关键词：缺陷检测轻量化YOLOv8s FasterNet M-C2f GS-Detect

基于深度学习和生成对抗网络的发动机缸体表面缺陷检测方法

在线全文

学校读者我要写书评

暂无评论

机械工程学报 2025年第2期61卷 46-55页

作者：曾治霖瞿昊杜正春上海交通大学机械与动力工程学院上海200240

针对某企业发动机缸体表面缺陷检测的工业视觉应用中,由于缺陷样本数据集较少导致的识别准确率低,检测速度慢的问题,设计了一套基于深度学习的机器视觉表面缺陷检测系统。采用生成对抗网络pix2pix模型增强缺陷图片数据集,结合灰度增强... 详细信息

针对某企业发动机缸体表面缺陷检测的工业视觉应用中,由于缺陷样本数据集较少导致的识别准确率低,检测速度慢的问题,设计了一套基于深度学习的机器视觉表面缺陷检测系统。采用生成对抗网络pix2pix模型增强缺陷图片数据集,结合灰度增强、带通滤波等传统图像预处理方法突出表面缺陷特征,利用YOLOv5深度学习识别网络进行缺陷识别算法开发,并根据上述框架搭建了缸体表面缺陷检测软硬件系统。将所搭建的检测系统在企业生产线进行应用验证,结果显示,缺陷总体识别准确率高达98.4%,单张图片识别耗时小于0.5 s。所提方法解决了原有小样本数据集难以支撑深度学习训练的难题,提高了缸体表面缺陷的识别精度和识别效率,在工业检测的应用中具有巨大的潜力。

关键词：发动机缸体缺陷检测 YOLOv5 pix2pix

同方期刊数据库

基于改进YOLOv8s的钢材表面缺陷检测算法

在线全文

学校读者我要写书评

暂无评论

浙江大学学报(工学版) 2025年第03期59卷 512-522页

作者：梁礼明龙鹏威金家新李仁杰曾璐江西理工大学电气工程与自动化学院

钢材表面缺陷形态多样、结构复杂、小目标占比高，而通用目标检测算法计算量过大且不适合终端设备部署.针对上述问题，提出基于YOLOv8s的轻量级的钢材缺陷检测算法(SDB-YOLOv8s).重新设计特征交互模块(S-C2f)，抑制空间和通道冗余信息... 详细信息

钢材表面缺陷形态多样、结构复杂、小目标占比高，而通用目标检测算法计算量过大且不适合终端设备部署.针对上述问题，提出基于YOLOv8s的轻量级的钢材缺陷检测算法(SDB-YOLOv8s).重新设计特征交互模块(S-C2f)，抑制空间和通道冗余信息，提高检测精度；引入空洞Transformer模块，增强网络对全局上下文信息的捕获能力和稀疏采样特性，以减少细粒度信息损失，并提升对小目标的特征提取能力；设计BS-ShuffleNetV2轻量化网络作为骨干网络，在降低模型复杂度的同时保证检测精度.在NEU-DET和Severstal钢材缺陷数据集进行实验验证，结果表明，与基线模型相比，SDB-YOLOv8算法的m AP分别提升6.4和7.0个百分点、参数量和计算复杂度仅为基线模型的64.8%和56.2%.每秒检测帧数分别达到146帧和121帧、精确度分别提升4.6和6.5个百分点.实验结果表明，该算法在检测精度、速度和轻量化方面取得了较好的平衡，同时为边缘终端设备提供了较高精度和实时性的参考.

关键词：缺陷检测轻量化YOLOv8s 深度学习特征提取特征交互

基于YOLOv8的铸件DR图像小目标缺陷检测

在线全文

学校读者我要写书评

暂无评论

特种铸造及有色合金 2025年第1期45卷 35-41页

作者：储钰昆吴磊杨洪刚陈云霞上海电机学院机械学院上海201306 上海第二工业大学智能制造与控制工程学院上海201209

针对铸造零件X射线DR图像小目标缺陷特征不明显,现有目标检测算法精度不高的问题,提出一种基于YOLOv8的铸件DR图像小目标缺陷检测方法。首先通过CLAHE算法,增加图像对比度,突出缺陷细节。其次对灰度图像进行通道扩充,增加深度学习网络... 详细信息

针对铸造零件X射线DR图像小目标缺陷特征不明显,现有目标检测算法精度不高的问题,提出一种基于YOLOv8的铸件DR图像小目标缺陷检测方法。首先通过CLAHE算法,增加图像对比度,突出缺陷细节。其次对灰度图像进行通道扩充,增加深度学习网络可学习信息。最后改进YOLOv8网络,使用空洞卷积提取更大感受野的初始特征;引入Sim AM注意力机制加强重要特征;添加小目标检测层获得较大尺寸的特征图。结果表明,改进的YOLOv8算法对铸件小目标缺陷检测的均值平均精度(m AP)和m AP@0.5∶0.95分别达到了86.1%和52.5%,较原模型分别提高了2.87%和10.10%,铸件小目标缺陷检测精度更高。

关键词：深度学习缺陷检测 YOLOv8 图像处理

维普期刊数据库博看期刊

曲面光学表面缺陷检测多角度环形均匀照明系统设计

在线全文

学校读者我要写书评

暂无评论

光学学报 2025年第02期 251-261页

作者：莫坤侯溪邓琥马梦聪张帅李明泽西南科技大学信息工程学院中国科学院光电技术研究所

在曲面光学表面缺陷检测中，光源布局和照明方式对高质量图像的获取至关重要。针对经典环形光源在曲面光学表面缺陷检测照明时存在适应性低和反射光干扰的问题，提出了一种利用调光透镜协同光源结构实现多角度环形均匀照明光源的设计方... 详细信息

在曲面光学表面缺陷检测中，光源布局和照明方式对高质量图像的获取至关重要。针对经典环形光源在曲面光学表面缺陷检测照明时存在适应性低和反射光干扰的问题，提出了一种利用调光透镜协同光源结构实现多角度环形均匀照明光源的设计方法。基于Snell定律建立发光二极管与目标面之间的光线映射关系，进一步建立调光透镜表面轮廓母线逐点求解算法，以调控光线的出射角度。按等方位角间隔环形排列配置有调光透镜的单位光源，使其中心对称的单位光源照度叠加互补，通过位移和角度调节机构，最终实现多角度均匀照明。仿真结果表明，调光后光源的发散角控制在±7°之内，当光源工作距离在100 mm至200 mm区间内时，有效照明区域照度均匀度保持在91.94%到93.17%之间，且79.96%的能量集中在有效照明区域；当光源入射角在30°至60°区间内时，有效照明区域照度均匀度稳定在89.50%到91.35%之间。面向曲面光学元件照明结果表明设计环形光源能够实现均匀照明，同时有效减少反射光干扰。通过对配光透镜面形和装调的公差分析，结果表明设计透镜易于加工和装调。

关键词：光学设计缺陷检测环形光源非球面透镜均匀照明多角度照明

基于改进YOLOv11n的输电线路主要缺陷检测方法

在线全文

同方期刊数据库

学校读者我要写书评

暂无评论

高电压技术 2025年

作者：刘宏志黄振龙邱彬王凯辽宁工程技术大学电气与控制工程学院国家电网葫芦岛供电公司

针对大自然的复杂环境导致无人机电力巡检中输电线路缺陷检测存在漏检、误检以及检测精度低的问题，提出一种改进YOLOv11n的输电线路主要缺陷检测算法。设计C3K2-SG模块，增强特征提取能力，以便在复杂背景下精准识别目标缺陷；设计FPSC... 详细信息

针对大自然的复杂环境导致无人机电力巡检中输电线路缺陷检测存在漏检、误检以及检测精度低的问题，提出一种改进YOLOv11n的输电线路主要缺陷检测算法。设计C3K2-SG模块，增强特征提取能力，以便在复杂背景下精准识别目标缺陷；设计FPSConv模块，保证模型轻量化的同时捕捉更多细节；设计弥散金字塔网络结构，增强模型的多尺度特征融合能力；最后提出F-PIoUv2损失函数，解决锚框因不合适的惩罚因子膨胀问题和样本分布不均问题，从而加快模型收敛。实验结果表明，改进模型相较于基线模型mAP值提升了6.3%，准确率、召回率和检测速度分别提升了3.5%、8.7%和6.0%。改进后的检测算法兼顾了轻量化和实时性，也方便模型部署无人机设备。

关键词：缺陷检测共享卷积模型轻量化无人机改进损失函数