YOLO系列助力涨点!新SOTA让缺陷检测更准更快!附开源数据集下载

缺陷检测在工业自动化、质量控制、安全检测等多个实际应用中都有着广泛的需求。因此这个方向是相对容易发表高质量论文的,尤其是当研究涉及到创新的算法、改进的技术、新的应用场景或显著提高检测性能时。

在这其中,YOLO系列算法与缺陷检测的结合已经取得了一定的成果,例如基于YOLOv5的算法已经在NEU表面缺陷数据集上实现了钢材表面缺陷检测的应用。而其他有关缺陷检测的改进方案也有很多值得借鉴。

我从中挑选了18篇最新的会议论文来和同学们分享,创新点都给你们分析好了,还整理了20个工业表面缺陷检测常用的数据集,更多更详细的建议看原文。

论文原文和数据集看文末

1.Enhanced YOLOv8 with BiFPN-SimAM for Precise Defect Detection in Miniature Capacitors

方法:本文介绍了一种改进的YOLOv8模型算法,旨在提高工业生产中微型电容缺陷的检测准确性。该算法通过引入简化的注意力模块(SimAM)和双向特征金字塔网络(BiFPN)结构,显著增强了模型识别细微缺陷的能力。同时,将传统的CIoU损失函数替换为WISE-IOU损失函数,进一步提高了模型的泛化能力。

创新点:

  • 引入了增强的YOLOv8模型算法,专门设计用于提高检测微小电容缺陷的准确性。该模型在检测微小和微妙的缺陷方面表现出色,尤其是在边缘异常或轮廓不清晰的缺陷等具有挑战性的场景中。

  • 替换了传统的CIoU损失函数为Wise-IoU损失函数,成功减少了模型训练过程中异常样本的负面影响。这提高了模型的泛化能力,从而在整体上增强了检测性能。

2.CCG-YOLOv7: A Wood Defect Detection Model for Small Targets Using Improved YOLOv7

方法:这篇论文研究了一种用于木地板缺陷检测的新模型CCG-YOLO,并进行了一系列实验来验证其性能。研究背景是木地板生产中的缺陷检测问题。研究采用了YOLOv7网络作为基线,并引入了RSAM、mini-head和C-ELAN等模块来提升网络性能。

创新点:

  • C-ELAN layer: 提出了Center Efficient Layer Aggregation Networks (C-ELAN)层,通过增强YOLOv7网络中的Enhanced Local Attention (ELAN)层的深度,提高了小目标缺陷的检测准确性。

  • Mini-Head结构: 改进并简化了YOLOv7原始的head模块,将输出仅包含40×40和80×80,命名为Mini-Head。Mini-Head结构与RSAM中的特征协同工作,专注于小物体的检测,包括死节、活节、划痕和霉斑。

  • 数据增强技术: 在CCG-YOLOv7网络的训练过程中,采用了复制粘贴小目标的数据增强技术,通过在图像中的不同位置插入小目标来创建新的标注样本,提高了模型对小缺陷的检测能力。

3.Research on surface defect detection algorithm of pipeline weld based onYOLOv7

方法:本文提出了一种改进的YOLOv7管道焊接表面缺陷检测模型,通过改进网络结构、增加注意机制和优化损失函数来提高检测结果。在改进的模型中,设计了Le-HorBlock模块,并将其引入到主干网络的第四个CBS模块中,通过实现二阶空间交互来保留高阶信息的特征,从而增强了网络在焊接缺陷图像中提取特征的能力。

创新点:

  • 提出了改进的YOLOv7管道焊接表面缺陷检测算法,通过改进网络结构、增加注意机制和优化损失函数,提高了模型的漏检率和准确性。

  • 引入了Le-HorBlock模块和CoordAtt机制,通过实现二阶空间交互和嵌入目标位置信息,提高了网络对焊接缺陷特征的提取能力和检测能力。

4.Efficient Defect Detection of Rotating Goods under the Background of Intelligent Retail

方法:本文介绍了一种用于商品缺陷检测的新型算法,该算法利用自适应子采样和分区内存库。首先,利用Grad-CAM提取深度特征,结合浅层特征,减轻复杂背景对检测准确性的影响。然后,图卷积网络提取旋转不变特征。接下来,采用自适应子采样分区内存库存储非缺陷商品的特征,从而减少内存消耗并提高训练速度。

创新点:

  • 设计了一种CNN+GNN特征提取方法来解决具有丰富信息的零售商品的特征提取问题。

  • 利用Grad-CAM技术减少对待检测商品的复杂环境的影响。

  • 设计了一种自适应子采样内存,用于高效的特征存储,减少存储需求并加快计算速度。

5.PO-YOLOv5: A defect detection model for solenoid connector based on YOLOv5

方法:论文提出了一种改进的目标检测模型,通过增加预测头来提取更多的语义信息,从而提高了模型的检测准确性。此外,研究还探讨了数据集标注的影响,并发现第二种标注方法更准确。这些结果对于目标检测领域的研究和实际应用具有重要意义。

创新点:

  • 添加了一个新的预测头,用于提取更多的语义信息,实验证明改进后的网络有效提高了模型的检测准确性。

  • 在Neck部分引入了额外的预测头,用于检测包含相对位置信息的缺陷。

  • 在自制的电磁阀连接器数据集上评估了改进后的YOLOv5模型的性能。该数据集包括四种检测类别:缺失铜(Mc)、异常线缆(Aw)、倾斜引脚(Ip)和平行引脚(Pp)。

  • PO-YOLOv5是本文提出的模型,它使用了ODConv模块和添加的预测头。

6.Swin-Transformer -YOLOv5 for lightweight hot-rolled steel strips surface defect detection algorithm

方法:本文提出了基于改进的一阶检测器的Swin-Transformer-YOLOv5模型,通过使用GhostNet实现了模型的轻量化设计和保证的检测准确性。

创新点:

  • Swin-Transformer-YOLOv5模型:通过使用GhostNet实现了模型的轻量化设计,并保证了检测的准确性。通过引入Swin-Transformer和CoordAttention模块,提高了模型提取缺陷特征的能力,并解决了不同尺度之间差异大和小缺陷检测不准确的问题。通过使用BiFPN进行特征融合,提高了检测器适应不同尺度目标的能力。

  • Swin Transformer:通过引入局部思想和分层结构,解决了Vision Transformer在图像多层级表示和计算复杂度方面的问题。

7.Steel Strip Surface Defect Detection Method Based on Improved YOLOv5s

方法:本文提出了改进的YOLOv5s-FPD模型作为YOLOv5模型的改进。YOLOv5s-FPD通过调整SPPF(空间金字塔池化融合)的结构,更加注重带钢的全局和细节特征,从而更好地识别缺陷特征。此外,YOLOv5s-FPD通过构建CSBL(通道和空间瓶颈层)多尺度特征模块,平衡了检测准确性和速度,减小了模型大小并加快了处理速度。

创新点:

  • 提出的YOLOv5s-FPD模型表现出显著的优越性。在数据增强前,准确率提高了2.6%,在数据增强后提高了1.8%。它在数据集中对所有六种缺陷的识别准确率达到了顶级水平。

  • 通过提出SPPF_A细粒度目标检测框架,本研究加强了空间金字塔中小目标的权重。这解决了小目标和密集目标检测不准确的问题,最终提高了模型在图片特征缺陷检测中的准确性。

  • 本研究构建了CSBL多尺度特征模块,将空间金字塔模式与简单可分离卷积2SConv相结合。这减少了卷积参数的数量,同时保持了卷积的有效性。

8.GBCD-YOLO: A High-Precision and Real-Time Lightweight Model for Wood Defect Detection

方法:本文提出了一种基于YOLO(GBCD-YOLO)模型的高精度、轻量级、实时的木材表面缺陷检测方法。首先,引入了轻量级的Ghost Bottleneck来提高深度神经网络的计算效率和推理速度。其次,在neck部分引入了BiFormer来提高自然语言处理任务的性能,提取更多的空间特征信息,进一步提高检测精度。同时,使用CARAFE作为上采样替代方法,增强感知和细节捕捉能力。此外,为了增强方法的灵活性和泛化能力,引入了动态头部,并使用CIoU代替GIoU。

创新点:

  • 引入Ghost Bottleneck技术来优化神经网络架构

  • 通过引入幽灵卷积层和瓶颈结构来减少模型的复杂性,降低计算和内存消耗,同时保持性能

  • 将BiFormer引入到neck中,以提高自然语言处理任务的性能

  • BiFormer是一种新的通用视觉转换器,采用四级金字塔结构

  • 使用特征重组进行上采样,通过在特征图输入中的相应邻近像素和上采样核之间进行点积运算

  • CARAFE上采样操作可以通过输入特征图和更大的感受野来引导重组过程,从而提高感知和捕捉细节的能力

9.AnomalySeg: Deep Learning-Based Fast Anomaly Segmentation Approach for Surface Defect Detection

方法:研究提出了一种基于快速异常分割的表面缺陷检测技术,用于解决产品表面上的小缺陷问题。该模型基于改进的U-Net架构构建,通过在编码器中去除下采样层,仅保留第一层下采样层,并在解码器中引入了一个混合残差模块(SAFM),该模块结合了改进的空间注意机制和前馈神经网络,用于提取缺陷的特征。模块中的空间注意机制优于通道注意机制,可以快速准确地定位缺陷信息。

创新点:

  • 提出了一种基于快速分割的表面缺陷检测技术,该技术采用了改进的U-Net模型,并引入了混合残差模块(SAFM)和扩张卷积,以提高模型的性能和准确性。

  • 引入了改进的混合损失函数,结合Dice和focal loss,以解决小缺陷分割问题,并在KolektorSDD、KolektorSDD2和RSDD数据集上进行了比较实验,证明了该方法的优越性。

关注下方《学姐带你玩AI》🚀🚀🚀

回复“缺陷检测”获取论文+数据集

码字不易,欢迎大家点赞评论收藏

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.hqwc.cn/news/447680.html

如若内容造成侵权/违法违规/事实不符,请联系编程知识网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

nest.js实现登录验证码功能(学习笔记)

安装express-session npm i express-session 引入 注册session import * as session from express-session;import { NestFactory } from nestjs/core; import {DocumentBuilder,SwaggerModule, } from nestjs/swagger;import { AppModule } from ./app.module;async functio…

废品上门回收小程序搭建全过程

随着人们对环境保护意识的不断增强,废品回收成为了一项重要的社会活动。为了方便废品回收的顾客和回收者之间的联系,废品上门回收小程序成为了一种流行的解决方案。然而,如何选择一款合适的废品上门回收小程序搭建平台呢?下面将为…

【Linux网络编程三】Udp套接字编程(简易版服务器)

【Linux网络编程三】Udp套接字编程(简易版服务器) 一.创建套接字二.绑定网络信息1.构建通信类型2.填充网络信息①网络字节序的port②string类型的ip地址 3.最终绑定 三.读收消息1.服务器端接收消息recvfrom2.服务器端发送消息sendto3.客户端端发送消息sendto4.客户端…

手把手教测试,全网内容最全最深-jmeter-Switch Controller(Switch控制器)

5.1.6.17.Switch Controller(Switch控制器) 主要用于根据参数判断具体执行哪一个取样器。 在Switch Value中设置:数字,就是上图。不常用在Switch Value中设置:${变量名},根据变量名称来决定具体执行哪一个取样器。常用在Switch Value中设置:取样器名称,根据设置的取样器名…

绍兴市越城区人大常委会主任徐荻一行莅临迪捷软件走访慰问

2024年2月2日上午,绍兴市越城区人大常委会主任徐荻一行来到迪捷软件走访慰问高层次人才、迪捷软件董事长康烁,送上节日的问候与新春的祝福。 徐主任一行参观了迪捷软件办公环境,听取了迪捷软件的发展情况和来年规划,亲切询问了康烁…

在openfeign客户端如何获取到服务端抛出的准确异常信息?? openfeign调用(请求/响应)的各个大致过程

在openfeign客户端如何获取到服务端抛出的准确异常信息?? 相关参考背景引入浏览器直接访问Spring的Restful接口(最普遍、简单的访问)示例结论 openfeign客户端调用的情况调用过程示例场景之一(其他场景可类比&#xff…

基于SSM+MySQL的的新闻发布系统设计与实现

目录 项目简介 项目技术栈 项目运行环境 项目截图 代码截取 源码获取 项目简介 新闻发布系统是一款基于Servletjspjdbc的网站应用程序,旨在提供一个全面且高效的新闻发布平台。该系统主要包括后台管理和前台新闻展示两个平台,涵盖了新闻稿件的撰写…

嵌入式软件设计

欢迎关注博主 Mindtechnist 或加入【Linux C/C/Python社区】一起学习和分享Linux、C、C、Python、Matlab,机器人运动控制、多机器人协作,智能优化算法,滤波估计、多传感器信息融合,机器学习,人工智能等相关领域的知识和…

Java设计模式 – 四大类型

设计模式 – 四大类型 创建型模式结构型模式行为型模式J2EE模式 设计模式(Design pattern)是重构解决方案 根据书Design Patterns – Elements of Reusable Object-Oriented Software(中文译名:设计模式 – 可复用的面向对象软件元…

【对象属性拷贝】⭐️按照需要转换的类型反射设置拷贝后对象的属性

背景: 小伙伴们大家好,最近开发的时候遇到一种情况,项目引入了全局序列化器来实现Date,LocalDateTime类型的字段根据时区转换,总体来说接口没什么要改动的,只要原来字段的属性是以上两种就行,但…

react+ts

1.概念 React和TypeScript集合使用的重点集中在 存储数据/状态有关的Hook函数以及组件接口的位置,这些地方最需要数据类型校验 2.使用Vite创建项目 Vite是前端工具链工具,可以帮助我们快速创建一个 reactts 的工程化环境出来 Vite官网:ht…

【C++】文件IO

目录 一、C语言的输入输出二、流的概念三、operator bool四、C文件IO流ifstream和ofstreamostringstream和istringstreamstringstream 一、C语言的输入输出 C语言中我们用到的最频繁的输入输出方式就是 scanf() 和 printf()。 scanf(): 从标准输入设备&#xff08…