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.mzph.cn/news/662858.shtml

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

相关文章

composer常用命令

查看全局配置信息 composer config -gl 设置镜全局像地址 composer config -g repo.packagist composer https://mirrors.aliyun.com/composer/ 去掉-g,即表示只有当前项目使用该镜像 批量安装composer项目依赖 composer install 执行该命令后,会读取当…

MySQL中where和having的区别

前言 数据库中的 WHERE 和 HAVING 子句在 SQL 查询中扮演着关键的角色,帮助我们有效地筛选和过滤数据。这两个子句虽然都用于限定结果集,但它们的应用场景和操作对象存在明显的区别。在理解和运用这两个子句的过程中,我们能够更灵活地进行数据…

【C语言】顺序表详解

目录 (一)顺序表是一种数据结构 (二)顺序表 (1)顺序表的必要性 (2)顺序表的概念及结构 i,线性表 (3)顺序表的分类 i,顺序表和…

Android SELinux:保护您的移动设备安全的关键

Android SELinux:保护您的移动设备安全的关键 1 引言 移动设备在我们的生活中扮演着越来越重要的角色,我们几乎把所有重要的信息都存储在这些设备上。然而,随着移动应用程序的数量不断增加,安全性也变得越来越关键。这就是为什么…

海洋鱼类检测7种YOLOV8NANO

【免费】海洋鱼类检测,7种类型,YOLOV8训练,转换成ONNX,OPENCV调用资源-CSDN文库 采用YOLOV8NANO训练模型,得到PT模型,然后转换成ONNX,供OPENCV的DNN调用,摆脱PYTORCH依赖&#xff0c…

算法设计与分析实验:最短路径算法

一、网络延迟时间 力扣第743题 本题采用最短路径的思想进行求解 1.1 具体思路 (1)使用邻接表表示有向图:首先,我们可以使用邻接表来表示有向图。邻接表是一种数据结构,用于表示图中顶点的相邻关系。在这个问题中&am…

轻松打造智能化性能测试监控平台:【JMeter+Grafana+Influxdb】的优化整合方案

在当前激烈的市场竞争中,创新和效率成为企业发展的核心要素之一。在这种背景下,如何保证产品和服务的稳定性、可靠性以及高效性就显得尤为重要。 而在软件开发过程中,性能测试是一项不可或缺的环节,它可以有效的评估一个系统、应…

C语言·贪吃蛇游戏(下)

上节我们将要完成贪吃蛇游戏所需的前置知识都学完了,那么这节我们就开始动手写代码了 1. 程序规划 首先我们应该规划好我们的代码文件,设置3个文件:snack.h 用来声明游戏中实现各种功能的函数,snack.c 用来实现函数,t…

探索Web3.0:下一代互联网的新篇章

随着技术的不断演进和社会的持续发展,我们正逐渐迈入Web3.0时代。Web3.0,作为下一代互联网的代名词,不仅仅是技术的进步,更是一种全新的数字化生态系统,其所带来的影响将深刻地改变着我们的生活、工作和交流方式。 什…

Java二维码图片识别

前言 后端识别二维码图片 代码 引入依赖 <dependency><groupId>com.google.zxing</groupId><artifactId>javase</artifactId><version>3.2.1</version></dependency><dependency><groupId>com.google.zxing<…

tuya-open-sdk-for-device使用体验之Windows 下 MSYS2 编译 T2-U 开发板

tuya-open-sdk-for-device 是一款跨芯片平台、操作系统的 IoT 开发框架。它基于通用南向接口设计&#xff0c;支持 Bluetooth、Wi-Fi、Ethernet 等通信协议&#xff0c;提供了物联网开发的核心功能&#xff0c;包括配网&#xff0c;激活&#xff0c;控制&#xff0c;升级等&…

2024美赛A题完整思路代码分析:建立竞争机理方程+遗传算法优化

A题是自由度比较大的场景限定下的模型构建&#xff0c;相对比较容易&#xff0c;核心是找到现有的成熟的数学模型&#xff0c;然后找到合适的数据进行证明得到结论&#xff0c;估计大部分是目标优化问题。&#xff08;不限制专业&#xff09; B题属于较为经典的物理建模&#…

【竞技宝】LOL:Able小炮连续起跳收割战场 OMG2-0轻取TT

北京时间2024年2月2日&#xff0c;英雄联盟LPL2024春季赛在昨天迎来第二周第四个比赛日&#xff0c;本日首场比赛由TT对阵OMG。本场比赛&#xff0c;TT在前中期和OMG有来有回&#xff0c;然而中后期的大龙团战始终不是OMG的对手&#xff0c;最终OMG2-0轻取TT。以下是本场比赛的…

linux vim 异常退出 异常处理 交换文件

交换文件 *.swp 格式 同时是隐藏的 如在vim一个文件&#xff0c; 在没有正常退出&#xff0c; 如直接断开连接 在次编辑这个文件 会出现下图的错误 解决方案&#xff1a; 直接删除这个交换文件即可 rm -fr .zen.txt.swp

唐墓惊现石椁,文物预防性保护系统未雨绸缪

一、文物保护的急需解决和科技的支持 陕西省考古学会近日宣布&#xff0c;考古团队在西安揭开了唐睿宗李旦孙媳妇薛柔顺墓的神秘面纱&#xff0c;其中出土的一具完整石椁&#xff0c;雕刻精湛、线条流畅&#xff0c;实属罕见珍宝。唐代石椁本就稀少&#xff0c;此次发现更是为…

RK3588开发板Ubuntu与开发板使用U盘互传

1 将 U 盘(U 盘的格式必须为 FAT32 格式&#xff0c;大小在 32G 以下)插到开发板的 usb 接口&#xff0c;串口打印信息如下所示&#xff0c;U 盘的设备节点是/dev/sdb4。U 盘的设备节点不是固定的&#xff0c;根据实际情况来查看设备节点。 2 输入以下命令挂载 U 盘&#xff0c…

Leetcode—2670. 找出不同元素数目差数组【简单】

2024每日刷题&#xff08;一零七&#xff09; Leetcode—2670. 找出不同元素数目差数组 哈希表实现代码 class Solution { public:vector<int> distinctDifferenceArray(vector<int>& nums) {unordered_set<int> s;int n nums.size();vector<int&g…

Qwen-VL 技术报告总结

感谢如此优秀的开源工作,仓库链接 Qwen-VL 权重分为 Qwen-VL && Qwen-VL-Chat,区别文档稍后介绍 训练过程 在第一阶段中主要使用224X224分辨率训练,训练数据主要来源是公开数据集,经过清洗,数据总量大约是1.4B,中文数据和英文j训练目标是视觉语言和文本语言对齐。…

docker集成 nacos/nacos-server (包括踩的坑)

tips 这边需要的数据库我已经安装好了&#xff0c;所以数据库的安装这边已经省略了 拉取镜像&#xff08;这边使用nacos1.4.1作为例子&#xff09; docker pull nacos/nacos-server:1.4.1创建映射的文件夹 (conf存放配置文件&#xff0c;logs存放日志文件) mkdir -p /data/n…

MySQL索引的原理和SQL优化策略

1. 索引 在InnoDB存储引擎中&#xff0c;索引分为聚簇索引和辅助索引两种类型。 聚簇索引是指基于表的主键构建的索引&#xff0c;它决定了表中数据的物理存储顺序。也就是说&#xff0c;聚簇索引中的键值按照主键的顺序来排序&#xff0c;并且每个叶子节点存储的是整个表行的…