1 西安理工大学印刷包装与数字媒体学院，陕西 西安 710054
2 渭南日报社印刷厂，陕西 渭南 714099
针对印刷生产中传统人工缺陷检测耗时耗力、小缺陷区域不易检测，以及传统图像处理方法鲁棒性差等问题，提出一种基于改进YOLOv5l模型的印刷品缺陷检测算法。首先，通过增加浅层特征图拓展检测尺度，以捕获微小缺陷信息，从而提高网络对小目标的检测能力；然后，使用全维度动态卷积替换Neck区中的普通卷积，以增强网络对印刷缺陷上下文信息的捕获能力；最后，为解决前两项工作带来的检测速度下降的问题，采用C3Ghost替换Neck中的C3模块，在检测精度损耗极低的情况下尽可能地提高检测速度。实验结果表明：改进后的YOLOv5l算法的平均精度均值（mAP）达到97.3%，较原YOLOv5l算法和现有的印刷品缺陷检测算法Siamese-YOLOv4的精度分别提高2.9百分点和2.7百分点；检测速度为44.1 frame/s。所提算法对印刷品缺陷的分类和定位效果优于原YOLOv5l和Siamese-YOLOv4算法，具有较高的检测精度和检测速度，可以应用于印刷质检来提高生产质量管控水平、降低人工成本。
机器视觉 缺陷检测 YOLOv5算法 多尺度融合 动态卷积 激光与光电子学进展
2024, 61(10): 1012002
1 青岛大学自动化学院，山东 青岛 266071
2 山东省工业控制技术重点实验室，山东 青岛 266071
针对高速列车轮对踏面缺陷检测精度低、效率慢的问题，提出一种改进的YOLOv5算法实现快速准确检测。引入卷积注意力机制，在通道维度和空间维度上进行特征优化，使重要的目标特征在网络处理中占比更大，从而增强网络对目标区域的特征学习能力；根据踏面缺陷类别的大小对Neck区结构进行精简，保留适合检测中小目标的特征图分支，从而降低模型复杂度；将边框回归的损失函数改为有效交并比（EIoU），融合更多边界框信息，提高预测的准确率。实验结果表明：相较于原始的YOLOv5，改进后的YOLOv5在测试集上的平均精度均值（mAP）提高了5.5个百分点，检测速度提升了2.8 frame/s，面对复杂场景具有较强的泛化能力。
图像处理 缺陷检测 YOLOv5算法 卷积注意力机制 损失函数 激光与光电子学进展
2022, 59(22): 2215003
针对激光干扰效果评估受主观经验较大、难以定量评估的问题，提出了一种基于深度学习的激光干扰效果评估方法。首先，对YOLOV5算法进行了整体介绍，其次制作了来自不同角度、不同距离的3 020张激光干扰图像；然后，对标注的数据集进行训练，得到了激光干扰效果评估模型；最后，分别在YOLOV5x、YOLOV5l、YOLOV5m、YOLOV5s网络模型下训练300次，实验验证了模型的正确性。实验结果表明：利用训练好的模型实现了对激光干扰图像的效果评估，该模型不仅可以自动标注激光干扰区域和进行干扰效果等级评估，同时还融入了传统策略，可以通过计算标注区域面积占整幅图像面积的大小作为辅助决策，实现自动标注激光干扰区域面积所占百分比，识别准确度在80%以上，对激光干扰效果评估具有重要意义。
激光干扰 效果评估 YOLOV5算法 深度学习 laser jamming effect evaluation YOLOV5 algorithm deep learning 红外与激光工程
2021, 50(S2): 20210323
