基于改进YOLOv7的液压阀块表面微小缺陷检测.pdf
《基于改进YOLOv7的液压阀块表面微小缺陷检测.pdf》由会员分享,可在线阅读,更多相关《基于改进YOLOv7的液压阀块表面微小缺陷检测.pdf(9页珍藏版)》请在咨信网上搜索。
1、第 49卷 第 11期2023年 11月Computer Engineering 计算机工程基于改进 YOLOv7的液压阀块表面微小缺陷检测季娟娟1,王佳1,陈亚杰2,卢道华1,3(1.江苏科技大学 机械工程学院,江苏 镇江 212100;2.中国船舶重工集团公司 上海船舶设备研究所,上海 200031;3.江苏科技大学 海洋装备研究院,江苏 镇江 212003)摘要:针对液压阀块表面缺陷尺寸微小、对比度低、周围干扰信息多导致的漏检率高、识别准确率低等问题,提出一种基于改进 YOLOv7的液压阀块表面微小缺陷检测算法。在多尺度特征融合模块后引入 CA注意力机制来提高对微小缺陷特征信息的关注度。
2、使用改进的 UpC 多支路上采样结构代替多尺度特征融合模块中的最近邻插值上采样 UpSampling 模块,以丰富微小缺陷的特征信息。利用改进的 ELAN-RepConv 结构代替多尺度特征融合模块中的 ELAN_2 结构,使模型在训练过程中可以学习到更多的特征信息。为了进一步提高算法的鲁棒性与收敛速度,使用离线数据增强融合 Mosaic数据增强的数据增广技术与 K-means+锚框聚类算法来提高算法性能。实验结果表明:该算法在液压阀块表面微小缺陷数据集中平均精度达到 97.6%,较原 YOLOv7算法提高 8.4个百分点,检测速度达到 55.2 frame/s;相较于 YOLOv7 系列中检
3、测精度最高的 YOLOv7-E6E 算法,该算法在参数量减少 75.4%的情况下,平均精度值提高 1.8个百分点。所提算法在保证实时性的前提下能够有效提高检测精度。关键词:YOLOv7算法;液压阀块;缺陷检测;深度学习;注意力机制开放科学(资源服务)标志码(OSID):中文引用格式:季娟娟,王佳,陈亚杰,等.基于改进 YOLOv7的液压阀块表面微小缺陷检测 J.计算机工程,2023,49(11):302-310.英文引用格式:JI J J,WANG J,CHEN Y J,et al.Detection of minor defects on the surface of hydraulic v
4、alve block based on improved YOLOv7 J.Computer Engineering,2023,49(11):302-310.Detection of Minor Defects on the Surface of Hydraulic Valve Block Based on Improved YOLOv7JI Juanjuan1,WANG Jia1,CHEN Yajie2,LU Daohua1,3(1.School of Mechanical Engineering,Jiangsu University of Science and Technology,Zh
5、enjiang 212100,Jiangsu,China;2.Shanghai Marine Equipment Research Institute,China Shipbuilding Industry Group Co.,Ltd.,Shanghai 200031,China;3.Marine Equipment and Technology Institute,Jiangsu University of Science and Technology,Zhenjiang 212003,Jiangsu,China)【Abstract】To address issues such as the
6、 extremely small size of hydraulic valve block surface defects,low contrast,and significant surrounding interference information,which lead to a high leakage detection rate and low recognition accuracy,a detection algorithm of minor defects on the surface of a hydraulic valve block based on improved
7、 YOLOv7 algorithm is proposed.First,a CA attention mechanism is introduced after the multi-scale feature fusion module to improve attention to the feature information of minor defects.Then,the improved UpC multi-branch upsampling structure is used to replace the nearest-neighbor interpolation UpSamp
8、ling in the multi-scale feature fusion module to enrich the feature information of minor defects.Finally,an improved ELAN-RepConv structure is used to replace the ELAN_2 structure in the multi-scale feature fusion module,so that the model can learn more feature information during the training proces
9、s.To improve the robustness and convergence speed of the algorithm further,offline data augmentation,fusing Mosaic data augmentation,and the K-means+clustering anchor box algorithm are used to enhance the performance of the algorithm.The experimental results indicate that the Average Precision(AP)va
10、lue of this algorithm on the dataset of minor defects on the surface of the hydraulic valve block is 97.6%,8.4 percentage points higher than the original YOLOv7 algorithm,and the detection speed reaches 55.2 frame/s.Compared with the YOLOv7-E6E algorithm,which has the highest detection accuracy in t
11、he YOLOv7 series,the AP value is improved by 1.8 基金项目:国家重点研发计划(2018YFC0309100);江苏省重点研发计划(BE2022062)。作者简介:季娟娟(1997),女,硕士研究生,主研方向为机器视觉、深度学习;王 佳,副教授、硕士;陈亚杰,高级工程师、硕士;卢道华,教授、博士、博士生导师。收稿日期:2023-01-11 修回日期:2023-02-22 Email:开发研究与工程应用文章编号:1000-3428(2023)11-0302-09 文献标志码:A 中图分类号:TP391第 49卷 第 11期季娟娟,王佳,陈亚杰,等:基
12、于改进 YOLOv7的液压阀块表面微小缺陷检测percentage points when the number of parameters is reduced by 75.4%.The experimental results show that the improved algorithm can improve detection precision on the premise of ensuring real-time.【Key words】YOLOv7 algorithm;hydraulic valve block;defect detection;deep learning;a
13、ttention mechanismDOI:10.19678/j.issn.1000-3428.00667340概述 液压系统由于具有输出力大、传动可靠、可控性高、使用寿命长等优点1,已被广泛应用于汽车2-3、机器人4-5、航空航天6、工程机械7-9等领域。液压阀块是液压系统中的关键零部件,通过控制压力油在管路中的流动来实现机械动作,在其生产过程中,铣、刨等粗加工操作都会造成液压阀块表面出现划痕、凹坑等缺陷,这些缺陷容易使液压阀块出现渗漏的情况,甚至会影响到机械的行驶安全。为了提前筛选出表面有缺陷的液压阀块,提高产品的合格率,研 究 液 压 阀 块 表 面 微 小 缺 陷 检 测 方 法 具
14、有 重 要意义。目前,许多研究人员采用传统的机器视觉技术进行表面缺陷检测。文献 10 设计一种基于形态学的边缘检测方法,通过使用 Otsu 阈值算法对轴承外圈表面缺陷进行分割,可实现完整的缺陷边缘提取。文献 11 使用改进的霍夫变换与新的区域划分法,针对纹理区域与非纹理区域自动分配不同的缺陷检测方法,对铝型材料表面缺陷进行检测。然而,当工件表面缺陷类别多、背景复杂、各类缺陷表征形式不同、尺寸差异大时,缺陷特征很难量化,无法设定固定的规则来捕捉所有的有效特征,此时传统的机器视觉技术识别精度会大幅下降。与人工检测的主观性和机器视觉检测的局限性不同,基于深度学习的缺陷检测具有精度高、性能好、泛化程度
15、高等优点,其可通过神经网络自主地发现需要提取哪些特征更能适应复杂的检测背景。因此,近年来,基于深度学习的表面缺陷检测方法得到了 广 泛 研 究,并 逐 步 应 用 在 产 品 缺 陷 检 测 领 域。YOLO(You Only Look Once)12-14系列算法是典型的单阶段目标检测算法,与 Faster R-CNN15、SSD16等目标检测算法相比,其检测速度更快,应用范围更广。为了适应不同的应用场景,提高不同对象的检测精度,研究人员陆续提出了各种基于 YOLO 系列算法的改进缺陷检测方法。文献 17 提出一种基于特征增强 YOLO 的表面缺陷检测算法,通过改进的特征金字塔网络来增强多尺
16、度检测层的空间位置相关性,结合深度可分离卷积和密集连接来降低 YOLO模型规模。文献 18 针对复杂的太阳能电池图像背景、可变的缺陷形态,提出一种基于改进 YOLOv5的太阳能电池表面缺陷检测方法,将可变形卷积加入CSP 模块中,引入 ECA-Net19注意力机制,再增加一个小缺陷预测头,从而有效完成太阳能电池表面缺陷检测任务。然而,本文所研究的液压阀块表面缺陷尺寸非常小,以往的 YOLOv3、YOLOv4、YOLOv5 算法对小目标检测效果较差,目前只有最新的 YOLOv720算法在小目标检测中有较好的性能表现。除此之外,液压阀块表面的划痕与刀纹形状非常类似,当划痕与边缘的对比度较低时,容易
17、出现误检、漏检的情况。因此,针对液压阀块表面缺陷的不同特征,本文提出一种基于改进 YOLOv7 的液压阀块表面微小缺陷检测算法,主要改进有以下 4 个方面:1)在多尺度特征融合模块后引入 CA21注意力机制,在增加较少参数的前提下增强对微小缺陷的特征 提 取 能 力;2)将 多 尺 度 特 征 融 合 模 块 中 的UpSampling 替换为改进的 UpC 多支路上采样结构,通过 UpSampling 与反卷积的并行上采样,在增大特征尺寸的同时丰富微小缺陷的特征信息;3)采用改进 的 ELAN(Efficient Layer Aggregation Network)-RepConv 结 构
18、代 替 多 尺 度 特 征 融 合 模 块 中 的ELAN_2 结构,使算法在训练时能提取到更多的特征信息且不影响推理速度;4)采用 K-means+22算法对数据集进行聚类,聚类生成的锚框更符合本文所研究的液压阀块表面微小缺陷的尺寸特征,从而加快模型的收敛速度并提高微小缺陷的检测精度。最后通过多个对比实验与消融实验来验证本文算法的有效性。1YOLOv7算法YOLOv7 有 YOLOv7、YOLOv7-X、YOLOv7-W6、YOLOv7-E6、YOLOv7-D6、YOLOv7-E6E 这 6 种 变体。其中,YOLOv7 的参数量最少,检测速度最快,能够满足用户对高实时性检测的需求。因此,本
19、文选取 YOLOv7作为基础算法进行改进。YOLOv7的网络结构如图 1所示。由图 1可知,YOLOv7的网络结构由 Input、Backbone、Head 这 3 个部分组成。将待检测对象输入 Backbone中,Backbone部分在经过4 个 CBS(Conv+BN+SiLU)操 作 后,使 用 连 续 的ELAN 结构与 DownC 结构完成特征提取与尺寸缩放;在 Backbone 部 分 的 最 后 一 个 特 征 层 后 使 用3032023年 11月 15日Computer Engineering 计算机工程SPPCSPC 结构,增大感受野并优化特征的提取;将SPPCSPC 结构
20、得到的特征层拼接成一个新的特征层,并和从 Backbone 部分提取到的 2 个特征层一起传入多尺度特征融合模块;在多尺度地融合语义信息和空间信息后,输出 3个不同尺度的目标特征层;将得到的 3 个特征层分别通过 RepConv 结构进行辅助训练;通过 YOLO Head中的卷积调整通道数以得到初步的预测结果;对初步的预测结果进行置信度过滤、NMS(Non-Maximum Suppression)等后处理操作,得到最终的输出结果。2改进的 YOLOv7算法 YOLOv7相较于 YOLOv4、YOLOv3等其他一阶段目标检测算法,对小目标具有更好的检测效果,但是,其在目标物都很微小的情况下并不能
21、得到理想的检测结果。因此,针对液压阀块表面缺陷尺寸微小、对比度低等特点,本文对 YOLOv7 进行改进,改进的 YOLOv7算法网络结构如图 2所示。图 1YOLOv7网络结构Fig.1YOLOv7 network structure304第 49卷 第 11期季娟娟,王佳,陈亚杰,等:基于改进 YOLOv7的液压阀块表面微小缺陷检测2.1CA注意力机制液压阀块的表面缺陷尺寸小,在整个图像中占有较少的信息量,背景复杂且存在过多干扰信息。为了提高小目标检测的准确性和减少无关信息的干扰,本文采用注意力机制自适应地聚焦与小目标有关的细节信息,降低对其他信息的关注度。不同于 SE(Squeeze-an
22、d-Excitation)23通道注意力机制只考 虑 内 部 通 道 信 息、CBAM(Convolutional Block Attention Module)24只考虑局部空间位置范围内的信息,CA 注意力机制在增加较少计算量的前提下,既考虑到不同通道之间关系的重要性,同时又考虑到空间位置间的长期依赖关系。因此,本文在多尺度特征融合模块后添加 3 个 CA 注意力机制来提高模型的检测精度。CA 注意力机制结构如图 3所示。为了获取图像宽度和高度上的注意力并对精确位置信息进行编码,CA 注意力机制首先将传进的输入特征使用全局平均池化沿水平方向与垂直方向进行特征编码,获得在宽度和高度 2 个方
23、向上的特征图;接着将宽度方向特征图的输出维数调换后与高度方向特征图进行拼接,拼接后使用 11 的卷积将得到的中间特征图通道数压缩为 C/r(r 为缩减因子);随后使用 BN(Batch Normalization)批量归一化与非线性操作对特征图进行特征映射,映射后使用11 卷积沿着空间维度将特征图分解成 2 个独立的张量,其中,宽度方向特征图的输出维数恢复至输入状态;然后利用 Sigmoid 激活函数分别得到 2 个方向上的注意力权重;最后在原始特征图上通过乘法加权计算,得到在宽度和高度方向上带有注意力权重的特征图。2.2改进的 UpC多支路上采样结构YOLOv7 使用 DownC 结构代替原
24、有的 stride 为2的卷积对特征层进行尺寸减半操作。DownC 结构使用 MaxPooling 和 stride 为 2 的 33 卷积对特征层进行同步下采样。MaxPooling考虑到局部区域的最大值信息,卷积操作考虑到局部区域中所有值的信图 3CA注意力机制结构Fig.3CA attention mechanism structure图 2改进的 YOLOv7网络结构Fig.2Improved YOLOv7 network structure3052023年 11月 15日Computer Engineering 计算机工程息,因此,结合两者的特性做同步下采样并对结果进行特征拼接,可以
25、有效避免特征信息丢失。参考 DownC 结构,本文提出改进的 UpC 多支路上采样结构,如图 4所示。2条支路一开始都使用 11卷积进行通道压缩,减 少 计 算 量;然 后 分 别 使 用 UpSampling 与ConvTranspose2d 对特征图进行上采样;最后在通道上进行特征图拼接。其中:UpSampling 通过邻近点的 值 进 行 插 值 上 采 样,没 有 参 数 可 以 学 习;ConvTranspose2d 为卷积的逆过程,在训练过程中会自动学习最优参数进行上采样。因此,通过上述2 种方式的结合可以提取到更多的特征信息。反卷积计算公式如下:sout_size=sstride
- 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:
- 基于 改进 YOLOv7 液压 表面 微小 缺陷 检测
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。