改进YOLOv5的气缸盖锻件缺陷视觉检测方法研究.pdf
《改进YOLOv5的气缸盖锻件缺陷视觉检测方法研究.pdf》由会员分享,可在线阅读,更多相关《改进YOLOv5的气缸盖锻件缺陷视觉检测方法研究.pdf(8页珍藏版)》请在咨信网上搜索。
1、改进 YOLOv5 的气缸盖锻件缺陷视觉检测方法研究*唐禹方凯杨帅王宸李宗良(湖北汽车工业学院机械工程学院,湖北 十堰 442000;湖北汽车工业学院电气与信息工程学院,湖北十堰 442000;上海大学上海市智能制造与机器人重点实验室,上海 200072;东风汽车集团有限公司特种装备事业部(东风越野车有限公司),湖北 十堰 442000)摘要:汽车气缸盖锻件在生产过程中容易出现各种裂纹,影响产品质量。针对当前气缸盖锻件检测缺陷精度和效率低的问题,提出了一种基于 YOLOv5 网络改进的算法模型 YOLOv5-MG。首先,搭建图像采集平台,制作气缸盖锻件缺陷样本数据集。然后,将 YOLOv5 H
2、ead 架构 SPP-YOLO 替换为 Decoupled Head 结构,提高模型的准确率和效率;使用双向特征金字塔(bidirectional feature pyramid network,BiFPN)替换 YOLOv5 网络原来的路径聚合网络(pathaggregation network,PANet),增强图像浅层特征信息与深层特征信息的融合;引入完备交并(complete intersection over union,CIoU)的计算方法提升算法检测的定位精度。实验表明,改进的算法在测试集上的均值平均精度达到了 99.81%,F1 的分值为 0.99,浮点运算数为 17.2 B。
3、相较于其他深度学习模型,该方法有效地提高了气缸盖锻件的缺陷检测效率和精度,能够满足缺陷检测的要求。关键词:锻件缺陷;YOLOv5;Decoupled Head;双向特征金字塔中图分类号:TP391.4,TG164,TH16文献标识码:ADOI:10.19287/j.mtmt.1005-2402.2023.08.024Research on visual detection method of cylinder head forging defectsbased on improved YOLOv5TANG Yu,FANG Kai,YANG Shuai,WANG Chen,LI Zonglian
4、g(Dept of Mechanical Engineering,Hubei University of Automotive Technology,Shiyan 442002,CHN;Deptof Electrical Engineering,Hubei University of Automotive Technology,Shiyan 442002,CHN;Shanghai KeyLaboratory of Intelligent Manufacturing and Robotics,Shanghai University,Shanghai 200072,CHN;SpecialEquip
5、ment Division of Dongfeng Motor Group Co.,Ltd.(Dongfeng Off-RoadVehicle Co.,Ltd.),Shiyan 442002,CHN)Abstract:Various types of cracks are prone to be produced in the production process of automotive cylinder headforgings,which affect the product quality.An improved algorithm model YOLOv5-MG based on
6、theYOLOv5 network is proposed to address the current problem of low accuracy and efficiency indetecting defects in cylinder head forgings.Firstly,a sample dataset of cylinder head forgings defects isproduced by building an image acquisition platform.Then,the accuracy and efficiency of the model arei
7、mproved by replacing the YOLOv5 Head architecture of the SPP-YOLO network with the DecoupledHead structure;the fusion of shallow feature information with deeper feature information is enhancedby replacing the original path aggregation network (PANet)of the YOLOv5 network with the *国家自然科学基金(51475150)
8、;教育部人文社科项目(20YJCZH150);教育部产学研合作协同育人项目(202002009056);湖北省高等学校中青年科技创新团队计划项目(NO T20200018;湖北省社科基金(21Q174);湖北汽车工业学院博士基金(BK201905)2023年第8期检测与质量 Detection and Standardization_ 166 bidirectional feature pyramid network (BFPN);and the localization accuracy of the algorithm isimproved by introducing the compu
9、tation method of complete intersection over union(CIoU).99.81%mean accuracy,0.99 F1 score and 17.2 B floating point operations (FLOPs)are achieved by theimproved algorithm on the test set.Keywords:forging defects;YOLOv5;Decoupled Head;bidirectional feature pyramid 汽车锻件广泛用于汽车变速器、汽车发动机车内饰、传动装置和汽车转向系统。
10、由于生产过程中淬火、过热、翻转等工艺不当,锻件生产过程中可能会出现缺陷。为了保证企业生产高质量的锻件,有必要对锻件进行无损检测1。目前,部分企业使用荧光磁粉2检测方法,通过人工检测观察磁迹来检测缺陷,但是这种检测方法效率低、成本高,并且当工人超负荷工作时容易出错。因此,用计算机视觉技术34代替人工检测是当前企业的重要趋势之一。基于深度学习的检测方法比传统机器视觉方法具有更高效的图像特征提取能力。王宸5提出了一种基于 EffcientNet 模型对锻件荧光磁粉探伤图形进行检测,平均精度达到了 95.03%,该方法提高了检测精度和效率;马立等6对 Tiny YOLOv3 算法模型的损失函数和特征网
11、络进行了改进,显著提升了模型对小目标的检测准确率;马燕婷等7提出了一种改进 YOLOv5 网络的带钢表面缺陷检测方法,模型中引入了 BiFPN 网络结构,增强了图像浅层信息和深层特征信息的融合,提高了主干网络的特征提取能力,防止缺陷的漏检;Byahatti R8提出了 DecoupledHead 模块的设计思路和实现细节,Decoupled Head模块将特征融合层和卷积层分离开使模型更灵活,能够在不同大小的特征图上检测不同大小的目标进而提高了目标检测的精度;郝用兴9使用了一种改进的 Faster-R-CNN 对铝型材表面瑕疵的检测,模型中对 RPN 网络中的瞄框进行改进,平均精度达到了 83
12、.44%。当前,针对检测问题的研究多数基于传统视觉方法,在复杂工作场景中容易受到干扰,稳定性和准确率较低。工业缺陷检测常用的算法模型通常有两类,一类是单阶段检测模型,常见的模型有 YOLO10、CenterNet11等;另一类是二阶段检测,具有代表性的模型是 Faster-RCNN12。上述所有模型在 COCO数据集上皆表现得很出色,但是在气缸盖锻件缺陷检测中仍然存在着对不同大小缺陷的特征提取能力不足、检测精度低的问题。本文针对气缸盖锻件缺陷检测算法图像特征提取能力不足、模型检测精度低的问题,对 YOLOv5s模型进行改进,改进 YOLOv5s 模型的过程中采用了 BiFPN 网络和 Deco
13、upled Head 结构来增强网络对气缸盖锻件不同缺陷的特征提取能力,并且修改了损失函数来提高算法的定位检测精度。本文提出的 YOLOv5-MG 模型在验证集上进行测试,实验表明,该模型在气缸盖锻件缺陷检测任务中具有良好的检测性能,平均精度达到了 99.81%,浮点运算数为 17.2 B,满足企业对气缸盖锻件精度大于 98%、生产节拍不低于 25 件/秒的要求。1 算法原理与改进YOLOv513有YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x 等 5 种模型结构,主要区别在于它们在处理输入图像时使用的神经网络架构不同,导致 5 个模型在检测目标时的精度、速
14、度和计算复杂度有所区别。针对气缸盖锻件缺陷检测算法图像特征提取能力不足、检测速度慢、检测度精度低的问题,对YOLOv5s 模型进行改进,改进后的 YOLOv5-MG模型结构如图 1 所示,YOLOv5-MG 结构由“主干”“颈部”和“头部”等 3 个部分组成。“主干”部分负责提取图像的低层特征,“颈部”部分负责将低层特征转换为高层特征,“头部”部分负责对高层特征进行分类和回归,以得到最终的目标检测结果。1.1 Decoupled Head 模块2020 年,Byahatti R 等人提出了Decoupled Head14模块的设计思路和实现细节。Decoupled Head 是YOLO 的一种
15、模型架。本文将 Decoupled Head 模块引入到 YOLOv5 中,实现了在不同特征层上检测不同大小的气缸盖锻件缺陷,提高了模型的检测精度。在 YOLOv5 中,预测部分被称为 SPP-YOLO15(Spatial Pyramid Pooling YOLO),它是 YOLOv5的一个重要组成部分。SPP-YOLO 是通过使用多个不同大小的特征图来提高 YOLO 算法的准确率和效率。在 SPP-YOLO 中,输入图像会被缩小到多个不2023年第8期_Detection and Standardization 检测与质量 167 同大小的特征图上,然后将这些特征图拼接在一起,形成一个多尺度
16、的特征图。SPP-YOLO 是 YOLOv5中非常重要的组成部分,它可以帮助 YOLOv5 更好地检测各种尺寸的目标,提高准确率和效率。改进之后的 Decoupled Head 如图 2 所示,在图 2中分类负责预测目标所属的类别;目标检测负责预测目标的位置;回归负责精细调整边界框的位置,使其更精确地包围目标。本文还在回归改进了其中的损失函数。Decoupled Head 主要是为了提高 YOLOv5的准确率和效率。在 YOLOv5 中,原始的 Head(即预测层)是将输入图像缩小到一个与输入图像相同大小的特征图上,然后在该特征图上进行目标检测。但这种方法存在一些问题,例如,对于大尺寸的目标,
17、在较小的特征图上检测可能会导致精度下降;对于小尺寸的目标,在较大的特征图上检测可能会导 致 检 测 精 度 过 低。改 进 之 后的 DecoupledHead 的做法是:使用多个不同大小的特征图进行目标检测,从而能够更好地检测各种尺寸的目标。具体来说,Decoupled Head 会将输入图像缩小到多个不同大小的特征图上,然后在这些特征图上分别进行目标检测。这样,对于大尺寸的目标,就可以在较大的特征图上进行检测;对于小尺寸的目标,就可以在较小的特征图上进行检测,从而避免了上述问题。特征层YOLOv5 改进之后的Decoupled Head分类检测CIoU11 卷积33 卷积图图 2 YOLO
18、v5 Head 改进之后的效果图改进之后的效果图 Decoupled Head 还有一个优点是,它可以通过调整每个特征图的大小来调节精度和效率之间的平ConvConvConvConvConvConvConcatConcatConvConcatConcatConcatUpsampleUpsampleUpsampleConcatConcatConcatConvConvConv 2dConv 2d16168844Conv 2dCSPDarkNet主干颈部头部CSPDarkNetCSPDarkNetCSPDarkNetCSPDarkNetSPPFSPPFConvMaxpool2dMaxpool2dMa
19、xpool2dConvConvConvnxBottleneckC3Conv 2d BNSiLUC3C3C3C3C3C3C3C3C3C3C3图图 1 YOLOv5-MG 网络结构网络结构2023年第8期检测与质量 Detection and Standardization_ 168 衡。例如,如果希望提高精度,可以使用更大的特征图;如果希望提高效率,可以使用更小的特征图。总 的 来 说,改 进 之 后的 Decoupled Head 是YOLOv5 算法的一种优化,它可以通过使用多个不同大小的特征图来提高 YOLOv5 的准确率和效率。1.2 BiFPN 模块随着网络层数的加深,提取到的特征信息
20、可能逐渐丢失,因此,为了提高网络模型的检测性能,通常在目标检测网络中广泛使用多尺度特征融合的方法。多尺度特征融合通过将来自不同层级的特征图融合在一起从而提升目标检测模型的表现。这种方法有助于减少信息丢失,并提高模型的泛化能力,使其能够在多种情况下更好地进行目标检测。Google 团队 2021 年提出的 BiFPN 是一种加权的双向特征金字塔网络,它能够从两个方向(上下和左右)提取特征,使得 BiFPN 结构能够更有效地提取多尺度特征,并且比 PANet 结构更简单。另外,BiFPN 结构还具有较强的稳定性和适应性,可以适应多种不同的输入图像,并且能够稳定地处理图像中的目标。这使得 BiFPN
21、 结构在训练过程中更加稳定,并且在实际应用中也能够取得更好的效果。YOLOv5s 中使用了 PANet 的结构,PANet 结构由一系列的卷积层组成,它们可以在不同层级的特征图上提取特征。改进的 YOLOv5-MG 模型中使用另一种结构 BiFPN 来替代 PANet。具体结构如图 3所示,图 3 中 CS 为 CSPDarkNet16模块,竖线部分为自顶向下的通路,传递的是高层特征的语义信息;网格线部分是自底向上的通路,传递的是低层特征的位置信息;右斜线部分是同一层在输入节点和输入节点间新加的一条边。在 BiFPN 网络,首先通过横向连接和下采样层,实现第 1 次特征融合,BiFPN 网络通
22、过对主 CSPDarkNet 层提取的不同尺度的特征图进行下采样,并通过横向连接将它们融合在一起。然后通过跳跃连接,实现与同一尺度的下采样层和上采样层的第 2 次特征融合。跳跃连接允许 BiFPN 网络在不同尺度的特征图之间跳跃,使得它能够更好地融合不同尺度的信息。最后通过多尺度特征融合得到的特征图输入到最终的检测器中,完成目标检测任务。BiFPN 网络通过多次特征融合,能够更好地捕获目标的特征,从而提高目标检测的准确性。本文将 PANet 结构改进为 BiFPN 结构,在不损失速度的情况下同时提高模型的精度,BiFPN 结构将不同层级的特征图融合在一起,使用多个融合模块进行迭代融合,有效地提
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 改进 YOLOv5 气缸 锻件 缺陷 视觉 检测 方法 研究
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。