APP下载

基于YOLOv3的变速箱油封座缺陷检测

2022-03-31张晓昇方凯徐鑫

湖北汽车工业学院学报 2022年1期
关键词:特征检测

张晓昇,方凯,徐鑫

(湖北汽车工业学院 电气与信息工程学院,湖北 十堰 442002)

制造过程中难免出现工件损伤,正确识别缺陷是实现无缺陷制造的关键[1]。小型商用车变速箱油封座在生产压铸过程中出现的气孔、印痕和划痕等质量缺陷必须检测。早期在金属器件的检测中应用了传统的机器视觉方法,对采集的图片进行处理,实现了较高效率、不接触式检测,但极易受到现场环境和人为操作等干扰,特征提取的识别分类能力有待提高,难以大规模应用到实际生产中[2]。随着人工智能的蓬勃发展,深度学习广泛应用于缺陷检测,主要算法分为2 类:1)以Faster-RCNN 为代表的Two-stage 检测算法[3],将目标生成候选框并进行分类,检测实时性较差;2)以SSD、YOLO 为代表的One-stage 检测算法[4],使用回归机制对输入的整个图形直接检测,从模型中选择的候选帧数量少,速率较快,但精度略低于2步法。李维刚等人[5]利用YOLOv3 检测热轧带钢表面缺陷,使用加权K-means聚类算法来优化先验框参数,提高了先验框与特征图层的匹配度;方叶祥等人[6]利用特征金字塔与残差层融合对缺陷定位,使用非极大抑制法筛选边界框,基于缺陷权重优化损失函数,有效提高了YOLOv3算法对钢材表面划痕的检测精度;邢俊杰等人[7]提出基于CutMix 和YOLOv3 的识别金属工件缺陷方法CSYOLOv3,使用CutMix方法增加对缺陷的检测数量,拆分浅层大特征图与预测分支特征图融合,能提取更多的特征信息,增强鲁棒性。目前基于YOLOv3 的研究都是在数据和网络部分改进,在铸件表面缺陷检测中,由于缺陷目标尺寸过小,算法对目标不敏感,易造成漏检现象。……

登录APP查看全文

猜你喜欢

特征检测
如何表达“特征”
不忠诚的四个特征
小波变换在PCB缺陷检测中的应用
线性代数的应用特征