融合多尺度特征的蜗杆表面缺陷检测OA北大核心CSTPCD
Worm surface defect detection with fusion of multi-scale features
为了改善蜗杆齿顶表面缺陷检测依赖人工检测,检测效率低下以及检测成本高昂的现状,对基于机器视觉的自动化检测方法展开研究.设计了蜗杆缺陷采集系统,针对不同缺陷发生率不同提出了数据增广策略.在YOLOv7的基础上改进算法,针对不同缺陷的尺寸分布差异,引入渐进特征金字塔重构颈部网络,提升模型的多尺度特征融合能力;为减少蜗杆非缺陷位置对检测结果的干扰,引入注意力机制进一步加强模型的缺陷关注能力;最后改进回归损失函数为SIOU,在网络训练中加入考虑标注框和预…查看全部>>
To tackle the challenges of reliance on manual inspection,low detection efficiency,and high costs in detecting surface defects on worm gear teeth,automated methods utilizing machine vision were re-searched.A defect collection system was designed to capture worm gear defects,and data augmentation strategies were introduced to handle varying defect occurrence rates.Enhancements were made to the YO-LOv7 algorithm.Firstly,to address the differences in defect siz…查看全部>>
王蕾;郭文平;陈欣慰;夏珉
华中科技大学 光学与电子信息学院,湖北 武汉 430070华中科技大学 光学与电子信息学院,湖北 武汉 430070华中科技大学 光学与电子信息学院,湖北 武汉 430070华中科技大学 光学与电子信息学院,湖北 武汉 430070
计算机与自动化
机器视觉表面缺陷YOLOv7特征金字塔
machine visionsurface defect detectionYOLOv7feature pyramid
《光学精密工程》 2024 (11)
1746-1758,13
湖北省科技厅重点研发计划(重点项目)(No.2020BAA019)
评论