文档名：融合多尺度特征的蜗杆表面缺陷检测
摘要：为了改善蜗杆齿顶表面缺陷检测依赖人工检测,检测效率低下以及检测成本高昂的现状,对基于机器视觉的自动化检测方法展开研究.设计了蜗杆缺陷采集系统,针对不同缺陷发生率不同提出了数据增广策略.在YOLOv7的基础上改进算法,针对不同缺陷的尺寸分布差异,引入渐进特征金字塔重构颈部网络,提升模型的多尺度特征融合能力;为减少蜗杆非缺陷位置对检测结果的干扰,引入注意力机制进一步加强模型的缺陷关注能力;最后改进回归损失函数为SIOU,在网络训练中加入考虑标注框和预测框的方向,进一步提升网络的检测精度.通过对比消融实验证明了上述改进的有效性.在参数量下降20.7%的情况下,文本所提出的算法相较于YOLOv7算法精度提升了3.3%;和YOLOR,YOLOv5m等多种算法相比,本算法的检测性能最优,基本满足蜗杆表面缺陷自动化检测需求.
Abstract：Totacklethechallengesofrelianceonmanualinspection,lowdetectionefficiency,andhighcostsindetectingsurfacedefectsonwormgearteeth,automatedmethodsutilizingmachinevisionwerere-searched.Adefectcollectionsystemwasdesignedtocapturewormgeardefects,anddataaugmentationstrategieswereintroducedtohandlevaryingdefectoccurrencerates.EnhancementsweremadetotheYO-LOv7algorithm.Firstly,toaddressthedifferencesindefectsizedistribution,aprogressivefeaturepyra-midwasincorporatedtoreconstructthenecknetwork,improvingthemodel'smulti-scalefeaturefusionca-pability.Secondly,anattentionmechanismwasaddedtominimizeinterferencefromnon-defectiveareasandbolsterthemodel'sfocusondefects.Lastly,theregressionlossfunctionwasmodifiedtoSIOU,andorientationconsiderationwasincludedduringnetworktrainingtoboostdetectionaccuracy.Ablationexperi-mentsdemonstratedtheeffectivenessoftheseimprovements.Witha20.7%reductioninparametercount,experimentalresultsshowthattheproposedalgorithmachievesa3.3percentagepointincreaseinaccuracycomparedtotheYOLOv7algorithm.Additionally,whencomparedtootheralgorithmslikeYOLORandYOLOv5m,thisalgorithmprovidesoptimaldetectionperformance,effectivelymeetingtherequirementforautomateddetectionofsurfacedefectsinwormgears.
作者：王蕾 郭文平 陈欣慰 夏珉Author：WANGLei GUOWenping CHENXinwei XIAMin
作者单位：华中科技大学光学与电子信息学院,湖北武汉430070
刊名：光学精密工程 ISTICEIPKU
Journal：OpticsandPrecisionEngineering
年，卷(期)：2024, 32(11)
分类号：TP394.1TH691.9
关键词：机器视觉 表面缺陷 YOLOv7 特征金字塔
Keywords：machinevision surfacedefectdetection YOLOv7 featurepyramid
机标分类号：TP391TN912.34TP274
在线出版日期：2024年7月24日
基金项目：湖北省科技厅重点研发计划重点项目融合多尺度特征的蜗杆表面缺陷检测[
期刊论文] 光学精密工程--2024, 32(11)王蕾 郭文平 陈欣慰 夏珉为了改善蜗杆齿顶表面缺陷检测依赖人工检测,检测效率低下以及检测成本高昂的现状,对基于机器视觉的自动化检测方法展开研究.设计了蜗杆缺陷采集系统,针对不同缺陷发生率不同提出了数据增广策略.在YOLOv7的基础上改进算...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
融合多尺度特征的蜗杆表面缺陷检测 Worm surface defect detection with fusion of multi-scale features
融合多尺度特征的蜗杆表面缺陷检测.pdf
- 文件大小:
- 14.3 MB
- 下载次数:
- 60
-
高速下载
|
|
