• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    基于YOLOv4的小目標缺陷檢測

    2021-04-12 01:44:24沈陽理工大學黃海新
    電子世界 2021年5期
    關(guān)鍵詞:先驗聚類精度

    沈陽理工大學 黃海新 金 鑫

    隨著制造業(yè)的高速發(fā)展,缺陷檢測在制造型企業(yè)中的重要性變得來越高。然而大多數(shù)生產(chǎn)廠商還使用人工或基于機器視覺的方法進行缺陷檢測。人工檢測的效率和可靠性通常很低。采用機器視覺算法對產(chǎn)品進行質(zhì)量檢測是一種比較成熟的方案。但缺陷種類過多時,此類算法存在人工設(shè)計特征效率低、泛化性差、處理步驟繁瑣等缺陷。近年來的研究表明,深度學習方法已廣泛應用于目標檢測領(lǐng)域,但對小目標檢測的研究較少。為了提高小目標及小樣本的檢測精度,本文提出了一種基于YOLOv4的改進方法。此方法不但可以滿足檢測的速度和精度,而且在小樣本的情況下成功的檢測出納米級尺度上的制造缺陷。

    近年來,基于深度學習的方法在目標檢測領(lǐng)域取得了重大突破。 因此將深度學習算法應用于產(chǎn)品質(zhì)量檢測,成為一個主流的研究方向。鑒于YOLO算法不但擁有極高的檢測速度,而且有著不遜于R-CNN系類算法的精度,因此成為本研究的首選研究算法。

    本研究使用的數(shù)據(jù)集來自國內(nèi)某高端制造企業(yè)。樣本圖像為其生產(chǎn)線中的工業(yè)攝像頭拍攝的CMOS濾光片支架。尺寸大小為6.5×6.5mm。圖像樣本中共有五類缺陷。由于目標物體尺寸小、經(jīng)網(wǎng)絡(luò)提取后的特征不明顯,因此小目標物體檢測存在漏檢率高,檢測精度低等缺陷。此外廠商提供的數(shù)據(jù)集中只包含112張圖像。針對上述問題,本文在YOLOv4的基礎(chǔ)上做了如下的改進:

    (1)在數(shù)據(jù)預處理階段,通過數(shù)據(jù)增強的方法將數(shù)據(jù)集擴充至原數(shù)據(jù)集數(shù)量的8倍,然后使用mosaic數(shù)據(jù)增強方法進行進一步增強。

    (2)使用先驗框增強方法,將經(jīng)過優(yōu)化得到的先驗框用于檢測,進而提高檢測精度。

    由實驗表明,經(jīng)過改進版YOLOv4算法可以滿足廠商要求的檢測的速度和精度。

    1 YOLOv4網(wǎng)絡(luò)簡介

    YOLOv4的網(wǎng)絡(luò)由主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)和頭部網(wǎng)絡(luò)這三部分組成。其中,主干網(wǎng)絡(luò)為CSP-DarkNet53,CSP網(wǎng)絡(luò)是可以增強神經(jīng)網(wǎng)絡(luò)學習能力的新型主干網(wǎng)絡(luò),同時能夠在輕量化的同時保持準確性、降低計算瓶頸、降低內(nèi)存成本。Darknet53是YOLOv3所是使用的主干網(wǎng)絡(luò),結(jié)合CSP網(wǎng)絡(luò)的思想形成CSPDarkNet53網(wǎng)絡(luò)。頸部網(wǎng)絡(luò)為SPP和PAN網(wǎng)絡(luò)。SPP網(wǎng)絡(luò)是將CSPDarkNet53卷積后得到的特征歸到同一大小。PAN網(wǎng)絡(luò)有著反復提取特征的結(jié)構(gòu),提高了檢測小目標物體的精度。頭部網(wǎng)絡(luò)負責最后的預測任務(wù)。

    2 改進的YOLOv4算法

    2.1 數(shù)據(jù)增強

    在生產(chǎn)過程中,由于短時間內(nèi)很難搜集到大量帶有缺陷的樣本,因此使用數(shù)據(jù)增強的方法對原有數(shù)據(jù)集進行預處理變得尤為重要。實驗中采用的數(shù)據(jù)增強的方法主要有如下幾點:

    (1)幾何變換

    即對圖像進行幾何變換,包括翻轉(zhuǎn),旋轉(zhuǎn),裁剪,變形,縮放等各類操作。結(jié)合本實驗數(shù)據(jù)集,這里主要應用了鏡像和旋轉(zhuǎn)的方式進行數(shù)據(jù)增強,通過這兩種方法的結(jié)合,將數(shù)據(jù)集擴充到原有數(shù)據(jù)集數(shù)量的8倍。

    (2)mosaic數(shù)據(jù)增強

    mosaic數(shù)據(jù)增強是在原有CutMix數(shù)據(jù)增強方法的基礎(chǔ)上提出的新的數(shù)據(jù)增強方法,理論上和CutMix類似。CutMix數(shù)據(jù)增強方式是利用兩張圖片進行拼接,但是mosaic利用了四張圖片。其優(yōu)點是豐富檢測物體的背景,且在BN計算的時候一下子會計算四張圖片的數(shù)據(jù),使得mini-batch大小不需要很大,那么一個GPU就可以達到比較好的效果。mosaic數(shù)據(jù)增強效果如圖7所示。

    2.2 圖像樣本的先驗框增強

    通常數(shù)據(jù)集中待檢測物體大小不一,造成目標大小差異的主要原因有兩個:一是目標物體本身大小不一,二是拍攝距離不同。對于本數(shù)據(jù)集,由于鏡頭到物體的距離是固定的。因此在該情況下,可以使用聚類算法預先統(tǒng)計數(shù)據(jù)集中所有缺陷樣本的大小來獲取先驗框。使用聚類后得到的先驗框進行檢測,增強了預測尺度的適應性。

    圖1 average IOU與聚類中心k的關(guān)系曲線

    進行聚類時,選取聚類中心個數(shù)為1-9,分別運行K-means++算法對數(shù)據(jù)集中的缺陷樣本進行分析,得到average IOU與聚類中心k的關(guān)系如圖1所示。從圖中可以看出隨著k的逐漸增大,average IOU變化越來越平穩(wěn)。我們選取聚類中心為9,在此基礎(chǔ)上得到的先驗框大小為(8,8)、(9,12)、(15,9)、(9,25)、(16,16)、(31,11)、(8,54)、(59,10)、(13,52)。

    然后我們將這9中尺度的先驗框每三個作為一組,平均分配到52×52、26×26、13×13這三個尺度的特征圖上,具體如表1所示。

    表1 YOLO Head中特征圖與其對應先驗框大小

    3 實驗與分析

    3.1 數(shù)據(jù)集簡介

    本研究基于國內(nèi)某廠的實際生產(chǎn)項目。要求開發(fā)基于深度學習的方法對流水線上的工業(yè)產(chǎn)品進行實時的缺陷檢測。本次實驗的數(shù)據(jù)集為生產(chǎn)廠商提供的56組帶有缺陷的芯片支架圖像。每組共兩張圖像,是由兩個工業(yè)攝像頭同時對同一缺陷產(chǎn)品采集的圖像。如圖2所示。

    圖2 數(shù)據(jù)樣本

    在數(shù)據(jù)集中缺陷類型共分成5類,缺陷類型如表2所示,其中各缺陷如圖3所示。

    3.2 實驗結(jié)果與分析

    設(shè)置學習率設(shè)置為0.001,衰減系數(shù)設(shè)置為0.0005,并且選擇steps模式更新學習率,在訓練迭代次數(shù)達到8000和9000次時,將學習率分別降低至初始學習率的10%和1%。我們將原始的YOLOv4算法和經(jīng)過改進的YOLOv4算法分別迭代10000次進性訓練。經(jīng)過10000次迭代之后,損失值和mAP基本趨于穩(wěn)定。最后的損失值下降到1.7左右,mAP大約在82%左右,各評價參數(shù)如表3所示。

    表2 缺陷類型

    表3 各評價參數(shù)

    將改進的YOLOv4算法和原YOLOv4算法進行對比發(fā)現(xiàn):對小樣本問題,如何如何進性數(shù)據(jù)增強是至關(guān)重要的。而對于小目標檢測問題,我們使用了K-means算法分析數(shù)據(jù)集中的缺陷樣本,再用經(jīng)過增強過的先驗框進性預測。由實驗數(shù)據(jù)可知,經(jīng)過改進的YOLOv4算法無論是precision還是recall都比YOLOv4算法有所提高,同時在IOU=0.5時的mAP和average IoU也有所提高。基于實驗結(jié)果,本文提出的改進版YOLOv4算法對于小目標物體檢測問題有實質(zhì)性的意義。

    結(jié)束語:本文針對小目標及小樣本檢測問題提出了改進版的YOLOv4目標檢測算法。根據(jù)實驗數(shù)據(jù)集特點,使用了數(shù)據(jù)增強及先驗框增強的方法,實驗結(jié)果顯示在檢測精度的各項指標方面都有一定的提升。因此本文提出的先驗框增強和數(shù)據(jù)增強方法對于其他小目標物體檢測及小樣本問題有實質(zhì)性的指導意義。此外,本方法可應用與高端制造行業(yè),如半導體行業(yè)、智能制造行業(yè)、軍工制造行業(yè)等。未來,提升檢測精度、降低模型復雜度仍然是主要研究方向。

    猜你喜歡
    先驗聚類精度
    基于無噪圖像塊先驗的MRI低秩分解去噪算法研究
    基于DSPIC33F微處理器的采集精度的提高
    電子制作(2018年11期)2018-08-04 03:25:38
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    基于自適應塊組割先驗的噪聲圖像超分辨率重建
    自動化學報(2017年5期)2017-05-14 06:20:44
    GPS/GLONASS/BDS組合PPP精度分析
    基于改進的遺傳算法的模糊聚類算法
    基于平滑先驗法的被動聲信號趨勢項消除
    先驗的廢話與功能的進路
    東南法學(2015年2期)2015-06-05 12:21:36
    一種層次初始的聚類個數(shù)自適應的聚類方法研究
    改進的Goldschmidt雙精度浮點除法器
    津市市| 固始县| 若尔盖县| 万年县| 财经| 石河子市| 五寨县| 宁化县| 金阳县| 沂南县| 旬邑县| 鱼台县| 东乡族自治县| 沿河| 浪卡子县| 晋江市| 上高县| 鄢陵县| 红河县| 霍州市| 乌苏市| 米脂县| 河北省| 临猗县| 若羌县| 仁寿县| 平安县| 曲阜市| 祁连县| 武平县| 博客| 东台市| 淳安县| 台东市| 曲水县| 涪陵区| 白河县| 洛扎县| 潞西市| 三亚市| 南昌市|