《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 其他 > 設(shè)計(jì)應(yīng)用 > 基于YOLOV5的藥品表面缺陷實(shí)時(shí)檢測(cè)方法
基于YOLOV5的藥品表面缺陷實(shí)時(shí)檢測(cè)方法
信息技術(shù)與網(wǎng)絡(luò)安全 12期
錢 雪1,李 軍1,唐 球2,錢曉雨1
(1.北京信息科技大學(xué) 信息管理學(xué)院,北京100192;2.華北計(jì)算機(jī)系統(tǒng)工程研究所,北京100083)
摘要: 藥品在實(shí)際生產(chǎn)過程中總會(huì)伴隨著異物、缺粒、藥體破損等表面缺陷,這些缺陷輕則影響產(chǎn)品使用效果,重則會(huì)在使用過程中產(chǎn)生巨大事故造成生命財(cái)產(chǎn)損失。針對(duì)深度學(xué)習(xí)模型在實(shí)際工業(yè)產(chǎn)品表面缺陷檢測(cè)中缺陷樣本少以及細(xì)小缺陷檢測(cè)精度低的應(yīng)用問題,將目前主流的目標(biāo)檢測(cè)算法之一——YOLOV5應(yīng)用于藥品檢測(cè)場(chǎng)景,提出了一種精度高、所需標(biāo)注樣本少、檢測(cè)速度快的one-stage實(shí)時(shí)缺陷檢測(cè)系統(tǒng)——RDD_YOLOV5(Real-time Defects Detection_YOLOV5)。利用原始圖像初級(jí)特征進(jìn)行數(shù)據(jù)增強(qiáng),結(jié)合注意力機(jī)制與多尺度特征融合,增加骨干網(wǎng)絡(luò)提取跨通道語義信息能力,充分融合高層語義信息與底層細(xì)粒度信息以提升模型在小缺陷檢測(cè)方面的識(shí)別效果,在有限的樣本條件下達(dá)到較高的準(zhǔn)確率。該方法檢測(cè)效果達(dá)到了96.6%mAP,32 FPS。
中圖分類號(hào): TP393
文獻(xiàn)標(biāo)識(shí)碼: A
DOI: 10.19358/j.issn.2096-5133.2021.12.008
引用格式: 錢雪,李軍,唐球,等. 基于YOLOV5的藥品表面缺陷實(shí)時(shí)檢測(cè)方法[J].信息技術(shù)與網(wǎng)絡(luò)安全,2021,40(12):45-50.
Real-time detection method of pill surface defects based on YOLOV5
Qian Xue1,Li Jun1,Tang Qiu2,Qian Xiaoyu1
(1.School of Information Management,Beijing Information Science and Technology University,Beijing 100192,China; 2.National Computer System Engineering Research Institute of China,Beijing 100083,China)
Abstract: In the actual production process of drugs, there are always surface defects such as foreign matter, particle shortage and drug body damage. These defects may affect the use effect of products, or cause huge accidents in the use process, resulting in loss of life and property. Aiming at the application problems of deep learning model in the surface defect detection of practical industrial products with few defect samples and low detection accuracy of small defects, YOLOV5, one of the current mainstream target detection algorithms, is applied to the drug detection scene, and a kind of one stage real-time defect detection system(RDD_YOLOV5) with high accuracy, less required standard samples and fast detection speed is proposed. The primary features of the original image are used for data enhancement, combined with attention mechanism and multi-scale feature fusion, the ability of the backbone network to extract cross-channel semantic information is increased, and the high-level semantic information and low-level fine-grained information are fully integrated to improve the recognition effect of the detection efficiency of this model in small defect detection. Under the condition of limited samples, the method achieves high accuracy, and the detection efficiency of this method reaches 96.6% mAP, 32 FPS.
Key words : defect detection;deep learning;object detection;YOLOV5

0 引言

近幾年深度學(xué)習(xí)技術(shù)在機(jī)器視覺方面有很大突破,而利用其進(jìn)行工業(yè)產(chǎn)品表面缺陷檢測(cè)也逐漸成為工業(yè)界研究的熱點(diǎn)。在真實(shí)復(fù)雜的工業(yè)環(huán)境下,表面缺陷檢測(cè)面臨諸多挑戰(zhàn),例如在藥品檢測(cè)過程中,存在缺陷成像與背景差異小、對(duì)比度低、缺陷尺度變化大且類型多樣等情形。近些年來, 隨著以卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)為代表的深度學(xué)習(xí)模型在諸多計(jì)算機(jī)視覺(Computer Vision,CV)領(lǐng)域成功應(yīng)用,國(guó)內(nèi)外學(xué)者也展開了基于深度學(xué)習(xí)技術(shù)的表面缺陷檢測(cè)的研究。同時(shí),一些公司也開發(fā)出多種基于深度學(xué)習(xí)的商用工業(yè)表面缺陷檢測(cè)軟件。全球傳統(tǒng)工業(yè)視覺及其部件的市場(chǎng)規(guī)模將于2025年達(dá)到192億美元且年平均增長(zhǎng)率為14%[1-2]。因此, 基于深度學(xué)習(xí)的表面缺陷檢測(cè)方法不僅具有重要的學(xué)術(shù)研究?jī)r(jià)值,同時(shí)有非常廣闊的市場(chǎng)應(yīng)用前景。

然而,深度學(xué)習(xí)技術(shù)在實(shí)際工業(yè)場(chǎng)景中的應(yīng)用存在一些難題,針對(duì)藥品檢測(cè)來說一是生產(chǎn)過程中缺陷樣本過少,不利于神經(jīng)網(wǎng)絡(luò)的特征提取;二是產(chǎn)品的缺陷尺度不同,有上千個(gè)像素的缺粒缺陷,也有幾十個(gè)像素的黑點(diǎn)異物缺陷等。實(shí)際生產(chǎn)過程中用于訓(xùn)練的缺陷樣本數(shù)量少,細(xì)微缺陷在沒有突出缺陷區(qū)域的情況下容易被其他區(qū)域的信息所掩蓋。而且,隨著神經(jīng)網(wǎng)絡(luò)的深入以及卷積和池化等操作,一些特征層信息被丟失。YOLOV5是目前最優(yōu)的目標(biāo)檢測(cè)模型之一,其在精確度、檢測(cè)速度和所需存儲(chǔ)空間上都表現(xiàn)優(yōu)異,十分適用于工業(yè)產(chǎn)品的缺陷檢測(cè)。





本文詳細(xì)內(nèi)容請(qǐng)下載:http://m.xxav2194.com/resource/share/2000003895.





作者信息:

錢  雪1,李  軍1,唐  球2,錢曉雨1

(1.北京信息科技大學(xué) 信息管理學(xué)院,北京100192;2.華北計(jì)算機(jī)系統(tǒng)工程研究所,北京100083)


此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。
主站蜘蛛池模板: 最近中文字幕高清中文字幕无 | 老公和他朋友一块上我可以吗| 国产麻豆剧果冻传媒免精品费网站| 久久久久777777人人人视频| 欧美黑人激情性久久| 国产一区二区三区国产精品| 私人影院在线观看| 女人与拘做受AAAAA片| 久久久久人妻精品一区蜜桃| 麻豆视频免费观看| 女警骆冰被黑人调教免费阅读小说| 久久嫩草影院免费看夜色| 歪歪漫画在线观看页面免费漫画入口弹窗秋蝉| 国产av永久精品无码| 欧美影院在线观看| 搞av.com| 亚洲中文字幕不卡无码| 男人添女人下部高潮全视频| 国产乱人伦偷精品视频下| 手机在线观看精品国产片| 女人pp被扒开流水了| 久久久不卡国产精品一区二区| 欧美亚洲视频在线观看| 伊人热热久久原色播放www| 老色鬼久久亚洲av综合| 国产成人精品2021| 久久综合香蕉国产蜜臀av| 浮力影院第一页| 厨房娇妻被朋友跨下挺进在线观看| 国产乱码一区二区三区四| 国产麻豆剧传媒精品国产AV| 一本大道无码日韩精品影视_| 欧美日韩国产网站| 免费看国产曰批40分钟| 野花香高清在线观看视频播放免费| 国产精品伦一区二区三级视频| chinesefemdom444| 性短视频在线观看免费不卡流畅| 久久人人爽人人爽人人av东京热| 欧洲成人在线视频| 亚洲欧洲国产精品久久|