1 河北工业大学人工智能与数据科学学院,天津 300130
2 河北省控制工程技术研究中心,天津 300130
针对光伏(PV)电池缺陷检测中存在的数据不均衡、缺陷尺度不一和背景纹理复杂多变等因素导致的误检、漏检问题,提出一种基于YOLOv8的缺陷检测算法YOLOv8-EL。首先,使用GauGAN进行数据增强,处理数据集的类内和类间不均衡的问题,提高模型泛化能力,降低模型过拟合的风险;其次,在主干网络和特征融合网络之间嵌入上下文聚合模块,自适应地融合不同层次的语义信息,对齐局部特征,减少微小微弱缺陷信息的丢失,抑制无关背景信息的干扰;最后,构建多注意力检测头以替换解耦头,引入不同的注意力机制细化分类和定位任务,提取空间和通道层面上的关键信息,减少特征混淆。实验结果表明,该模型在扩充后的PV电池EL数据集上的平均精度达到89.90%,模型参数量为13.13×106,在提升精度的基础上兼顾了后续部署时轻量化的要求。在PASCAL VOC数据集上进行泛化性实验,证明了改进算法的泛化性能。
缺陷检测 YOLOv8 生成对抗网络 特征融合 注意力机制 解耦头 激光与光电子学进展
2024, 61(8): 0812008
强激光与粒子束
2024, 36(1): 012001
西安工业大学光电工程学院,陕西 西安 710021
针对机器视觉检测光学镜片表面疵病时,在单一的照明环境下疵病图像对比度低,检测方法疵病识别率低等问题,提出了一种双光源下光学镜片表面疵病视觉检测方法。根据散射成像原理,在前照光和背照光两种不同的照明方式下,使用图像传感器得到含有疵病的被测光学镜片图像;再将多幅图像通过图像融合算法融合为一幅图像;最后,利用识别算法获得光学镜片表面的疵病尺寸信息。对两种不同的疵病(划痕、麻点)进行检测,将本系统的测试结果与ZYGO干涉仪的处理结果进行对比,结果表明,所提方法测量的麻点误差不超过2.7%,划痕误差不超过0.8%,检测效率比干涉仪提高了98.24%,缩短了检测时间。与单一照明环境下的检测方法和人工检测相比,所提方法对疵病的识别准确率与精度更高。
疵病检测 双光源 机器视觉 散射成像 图像融合 激光与光电子学进展
2024, 61(10): 1012004
武汉工程大学机电工程学院,湖北 武汉 430205
针对现有激光软钎焊流水线上焊点缺陷检测设备成本高和传统算法检测速度慢的问题,提出了一种能部署在激光软钎焊设备上的改进YOLOv5s焊点缺陷检测算法。通过引入GhostNetV2卷积方式对骨干网络进行轻量化改进,减少了原网络模型的参数量,提高了网络模型的检测速度;同时引入全维动态卷积模块,提升了网络模型的特征提取能力,提高了网络模型的检测精度。实验结果表明:对YOLOv5s模型进行改进后,其网络参数量较原模型下降了23.89%;模型在自制的激光软钎焊焊点缺陷数据集和验证集上的均值平均精度达到了95.0%,相比原模型提高了1个百分点;实验平台上检测速度较原模型提高了12.62 frame/s。最后,在激光软钎焊设备上部署了所提算法,设备基本能够检测出相应的焊点缺陷,并且运行速度达到42.2 frame/s,基本达到了激光软钎焊实时焊点缺陷检测的应用需求。
YOLOv5s 激光软钎焊焊点缺陷检测 深度学习 轻量化 全维动态卷积 激光与光电子学进展
2024, 61(8): 0812005
1 南京理工大学电子工程与光电技术学院,江苏 南京 210094
2 南京理工大学理学院,江苏 南京 210094
传统激光超声合成孔径聚焦技术(LU-SAFT)通常需要在待测样品表面以小步长扫描来提高横向分辨率,但小扫描步长会导致总检测时间过长,影响检测效率。针对这一问题,笔者提出了基于压缩感知的LU-SAFT方法,以提升扫描效率。该方法首先使用压缩感知根据稀疏扫描点处A扫信号的最大强度恢复出全场的扫描点A扫信号最大强度,进而确定样品表面的最优扫描区域,然后在最优扫描区域内进行扫描,最后对缺陷进行SAFT图像重建。在实验中,笔者采用脉冲激光在含有缺陷的样品表面激发超声,使用激光多普勒测振仪探测超声,并利用基于压缩感知的LU-SAFT方法对样品内部缺陷进行检测,以验证所提方法的可行性。实验结果显示:针对相同的扫描区域,传统LU-SAFT需要扫查500个点,花费3.15 min;与传统LU-SAFT相比,本文所提方法在扫描点数上减少了80%,在扫描时间上缩短了80%,并且缺陷的SAFT成像信噪比提高了约42%。本文研究内容及结果可为激光超声无损检测提供更快速的检测方案。
激光光学 压缩感知 合成孔径聚焦技术 激光超声 缺陷检测
光子学报
2023, 52(12): 1212001
浙江科技学院机械与能源工程学院,浙江 杭州 310012
为检测软包电池表面缺陷,开发一套基于线结构光的软包电池表面检测系统。首先搭建基于激光三角测量原理检测系统;对相机、光平面和移动位姿进行标定,通过相机与线结构光获取电池表面条纹图像;其次运用Steger方法提取条纹中心线;最后三维重建还原电池表面的形貌特征,结合表面条纹特性曲线,判断缺陷类型。试验结果表明,该系统能够检测软包电池表面缺陷类型及受损程度,满足软包电池表面检测的需求。
线结构光 三维重建 缺陷检测 软包电池 line structured light 3D reconstruction defect detection soft pack battery
传统光伏面板缺陷检测任务以人工目视方法为主,存在效率低、精度差、成本高等问题。提出基于深度学习的融合光伏面板可见光图像与红外图像的缺陷检测网络,即多源图像融合网络(Multi-source Fusion Network, MF-Net),实现光伏面板的缺陷检测。 MF-Net以 YOLOv3 tiny为主干结构,并针对光伏面板缺陷特征进行网络结构改进。其中包括:在特征提取模块中增加网络深度并融入密集块结构,使得 MF-Net能够融合更多高层语义信息的同时增强特征的选择;将双尺度检测增加为三尺度检测,以提高网络对不同尺寸缺陷的适用度。此外,提出自适应融合模块,使特征图融合过程中可以根据像素邻域信息自适应分配融合系数。实验结果表明,相比基于 YOLOv3 tiny的融合网络,改进后的融合检测网络 mAP提高 7.41%;自适应融合模块使 mAP进一步提升 2.14%,且自适应融合模块能够有效提高特征的显著性;在与单一图像(仅有可见光图像或红外图像)的检测网络及其他融合图像检测网络的对比实验中,所提出的网络 F1 score最高(F1=0.86)。
光伏面板 图像融合 缺陷检测 可见光图像 红外图像 photovoltaic panel, image fusion, defect detection
重庆科技学院机械与动力工程学院,重庆 401331
现有光伏组件缺陷识别方法存在提取特征困难、实时性较差导致了对光伏组件的缺陷故障检测的识别精度不高,本文提出一种基于改进 YOLO v5算法的光伏组件红外热成像缺陷检测方法。改进后的 YOLO v5算法主要是在原来的基础上增添注意机制 SE模块,并且改进损失函数将 GIoU改为 EIoU提高模型收敛效果、最后采用 KG模块平衡特征金字塔结构对模型进行优化,用以提高 YOLOv5算法的识别精度和收敛效果。改进后的网络结构应用在 YOLO v5s模型中,在光伏组件红外图像的检测上的平均检测精度 mAP可以达到 92.8%,比原本的 YOLO v5s算法 88.3%提升了 4.5%,在精确度和召回率上的收敛效果也比原始 YOLO v5算法模型有所提高,改进后的网络结构应用于 l、m、x三种模型中,其检测精度都有所提升,因此改进后的 YOLOv5算法适用于 4种模型。
缺陷检测 深度学习 损失函数 SE模块 平衡特征金字塔结构 defect detection, deep learning, YOLOv5, loss func YOLOv5