关键词:
表面缺陷检测
深度学习
数据集增强
图像处理
YOLOv5s
摘要:
减速器齿轮是机械传动系统中的关键组成部分,主要用于降低速度和增加扭矩。齿轮的质量对变速箱及其他工业设备的使用寿命、工作效率、安全性和运行精度有着重要影响。目前,工业生产线上对齿轮表面缺陷的检测主要依赖人工目视检查,但这种方法存在一些局限,难以满足现代工业生产的需求。此外,人工检测在精度方面存在不足,增加了生产成本,且影响生产效率。近年来,随着人工智能技术的快速发展,AI在工业缺陷检测中的应用日益广泛,不仅有效降低了人工成本,还显著提升了检测效率和精度。然而,传统的深度学习方法在应对复杂的工业缺陷检测任务时仍存在一些局限性,主要表现在小目标识别不足、复杂场景下的检测精度不高、模型泛化能力有限等方面。针对这一现状,本文提出了一种基于改进YOLOv5s的减速器齿轮缺陷检测方法。主要研究内容如下:
(1)基于目标检测算法的理论研究与应用分析
本文从传统深度学习算法的基础结构出发,深度研究卷积神经网络、注意力机制等框架,将以锚框捕捉目标对象的单、双阶段算法进行类比,得出最符合本文的网络结构算法。
(2)减速器齿轮缺陷数据集的构建与优化
为了有效分析减速器齿轮的常见表面缺陷类型,本研究明确了常见缺陷包括凹陷、划痕、锈迹和点蚀。基于设计的图像采集系统硬件平台,采集了包含4800张图像的数据集,并将其划分为训练集和验证集。其次,通过对比不同图像处理方法和数据集增强方法的试验数据,最终选择领域直方图均衡化作为图像处理方法,Mosaic作为数据集增强方法,并将数据集扩展至12800张。
(3)改进YOLOv5s模型在减速器齿轮缺陷检测中的应用与优化设计
针对当前减速器齿轮缺陷检测任务中小目标识别能力不足和检测精度欠佳引发的漏检问题,本文对单阶段目标检测网络YOLOv5s进行了优化改进设计。首先,引入GAM全局注意力机制,该模块通过强化全局信息交互并减少冗余信息,提高了检测精度。同时,增加余弦退火方法,以更有效地捕捉关键信息。其次,在Neck层中引入BiFPN模块,通过双向跨尺度连接和学习加权融合机制,实现了高效的特征融合。最后,在Prediction层加入ASFF特征金字塔,通过自适应权重融合多尺度特征。该结构由特征选择模块、特征融合模块和特征缩放模块组成,并在层间增加残差连接,增强了跨尺度信息流动,弥补了不同尺度缺陷检测的不足。
(4)减速器齿轮缺陷检测软件系统的设计与实现
基于PyQt5设计减速器齿轮表面缺陷检测软件系统,通过详细描述其结构组件和功能,展示了软件界面的具体布局。该系统在各种条件下的测试中表现出高识别精度,验证了其在满足工业生产中减速器齿轮表面缺陷检测需求方面的有效性。