检索结果-南通市图书馆

控制与决策 2023年第5期38卷 1231-1238页

作者：叶卓勋刘妹琴张森林浙江大学电气工程学院杭州310027 西安交通大学人工智能与机器人研究所西安710049

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;... 详细信息

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.

关键词：轻量化检测网络小目标缺陷检测主干特征提取网络改进式PANet

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

轻量化目标尺寸自适应检测算法研发

轻量化目标尺寸自适应检测算法研发

引用

作者：陈锦生浙江大学

学位级别：硕士

目标检测是计算机视觉中一项基础技术,近年来图像分类在深度学习领域取得了很大的成功,因此基于深度学习的目标检测技术也飞速发展起来。但由于密集场景中同时存在小目标、遮挡重叠等问题,现阶段大多数目标检测算法的检测效果不佳。除... 详细信息

目标检测是计算机视觉中一项基础技术,近年来图像分类在深度学习领域取得了很大的成功,因此基于深度学习的目标检测技术也飞速发展起来。但由于密集场景中同时存在小目标、遮挡重叠等问题,现阶段大多数目标检测算法的检测效果不佳。除此之外,为了在学术界数据集上取得到较好的检测精度,主流的目标检测算法网络具有复杂的结构,并具有巨大的参数量和计算量,同时推理速度较慢,因此不具有很好的应用价值。针对上述问题,本文研发了轻量化目标检测网络,并针对密集场景进行目标尺寸自适应算法研发。具有较高的工程应用价值。本文首先研发轻量化检测网络。通过轻量化检测网络的结构设计,给出了计算量及参数量较低、推理速度较快且平均精确率（mean Average Precision,mAP）较高的轻量化检测网络。而后对轻量化检测网络进行压缩及优化。研发了针对检测任务的剪枝算法,在精度降低很少的情况下降低了计算消耗,得到稀疏的轻量化检测网络;研发了基于稀疏轻量化检测网络的知识蒸馏算法,在不改变网络结构的同时对网络性能进行优化,提升了 mAP。最后针对密集场景进行算法研发,首先设计密集车辆数据集,并针对密集检测任务的特点提出前后处理算法,而后针对基线算法的特点及对已有损失函数的缺陷分析,研发了针对小目标的“目标尺寸自适应的损失函数（Adaptive Loss）”。实验结果表明,本文设计的压缩优化后的轻量化检测网络,与基线网络相比参数量减少了96%,计算量减少了 98%,在Telsa P4上推理帧率为76fps。压缩优化后的轻量化网络结合本文针对密集场景研发的目标尺寸自适应算法,在密集车辆数据集上达到了 85.1%的mAP和85.3%的召回率,相比基线检测网络分别提高了 6.6%与4.5%,达到了研发目标。

关键词：轻量化检测网络剪枝知识蒸馏目标尺寸自适应损失函数

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习网络的金属小目标外观缺陷检测

基于深度学习网络的金属小目标外观缺陷检测

引用

作者：叶卓勋浙江大学

学位级别：硕士

随着制造行业的发展,用户和生产企业对于产品的质量和功能提出了更高的要求,工业产品外观品质检验是保障产品质量的关键环节。与传统的人工检测相比,基于深度学习的缺陷检测算法检测精度更高,检测速度更快,但现有方法仍很难满足缺陷细... 详细信息

随着制造行业的发展,用户和生产企业对于产品的质量和功能提出了更高的要求,工业产品外观品质检验是保障产品质量的关键环节。与传统的人工检测相比,基于深度学习的缺陷检测算法检测精度更高,检测速度更快,但现有方法仍很难满足缺陷细微且样本少、流水线速度快、光照及背景复杂的工业场景需求。本文以工业金属表面小目标缺陷检测作为研究课题,针对上述问题,研究了基于深度学习网络的图像预处理、数据增强、外观缺陷检测等方面的有效方法,最后设计并利用硬件设备搭建金属表面缺陷检测系统,并在实际场景中测试。针对工业场景缺陷细微和样本少的问题,本文设计了一种基于双通道生成对抗网络(Dual-Path Generative Adversarial Net,DPGAN)的金属表面小目标缺陷数据增强方法,通过两组高分辨率GAN,将缺陷实例和背景图像分别生成后再复制粘贴的方式直接生成缺陷实例标注文件,解决了传统GAN只能用于分类或无监督网络的问题,扩增了图像数据集,提高了小目标检测的准确率。为了进一步提高缺陷检测的速度和检测精度,本文设计了一种轻量化深度学习网络。首先,通过引入轻量化特征提取网络Ghost Net替代YOLOv4主干特征提取网络,提高了网络特征提取能力及降低算法复杂度;其次,设计轻量化加强特征提取网络结构对原结构进行剪枝,增加了YOLO预测头中高维特征图比例以实现更好的性能;最后,针对金属表面小目标缺陷检测,对检测网络先验框进行重新分配及检测流程优化。最终实现检测网络同时满足缺陷检测精度和实时性的要求。最后,本文构建了一套可视化金属表面缺陷检测系统,在实际场景下使用各种光照对金属表面进行实景拍摄,验证本文提出的缺陷检测算法在真实场景下的有效性。

关键词：小目标检测生成对抗网络数据增强轻量化检测网络金属表面缺陷

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于改进的YOLOv5算法路面检测设计

引用

工业仪表与自动化装置 2023年第4期 93-97页

作者：何凌志王玉珏周月娥周研逸南京理工大学紫金学院江苏南京210023

随着大规模的公路建设,公路路面检测对于已建成公路的维护保养尤为重要,但是目前的深度学习网络模型都较大,并且部署到嵌入式端会造成Al算力不足的问题。因此,智能算法检测渐渐进入人们视野,该文设计了基于改进的YOLOv5的路面检测算法... 详细信息

随着大规模的公路建设,公路路面检测对于已建成公路的维护保养尤为重要,但是目前的深度学习网络模型都较大,并且部署到嵌入式端会造成Al算力不足的问题。因此,智能算法检测渐渐进入人们视野,该文设计了基于改进的YOLOv5的路面检测算法的检测设计。提出了一种通过Network Slimming网络剪枝的方法对稀疏化训练的YOLOv5目标检测算法模型进行剪枝微调,并通过tensorboard网页观察BN缩放因子直方图变化从而确定剪枝微调的比例。经过实际测试对比,相较与正常训练的算法,通过稀疏化处理后剪枝训练的YOLOv5算法模型所占权重减小了6.5 MB,对路面坑洞检测中的平均准确率(mAP)达到了81.4%,相比原始YOLOv5算法提升了2.1%,同时出现漏检现象较少,具有较好的检测精度。

关键词：深度学习 YOLOv5算法路面检测网络剪枝稀疏化训练目标检测算法轻量化检测网络嵌入式部署

来源：

维普期刊数据库

同方期刊数据库评论

在线全文

学校读者我要写书评

暂无评论

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：