关键词:
YOLOv5算法
X射线图像
注意力机制
图像预处理
目标检测
摘要:
由于火箭弹生产过程中技术、环境等因素的影响,各粘接层之间可能会产生各种不同类型的缺陷,这些缺陷会在不同程度上影响火箭弹的性能,甚至造成严重的生产事故。因此火箭弹粘接缺陷检测与识别的研究具有重要意义。
目前在国内,传统的火箭弹粘接缺陷检测与识别方法是先对其进行X射线检测,然后使用人工肉眼判读X射线图像中的缺陷;效率低且检测结果受评定人员技术素质和经验的限制易产生漏检。当前,传统的机器学习和图像处理在缺陷检测中面临检测效率低下和漏检率偏高的问题,这限制了其在实际应用中的表现。鉴于此,本文专注于研发一种新型火箭弹粘接缺陷检测与识别方法,该方法旨在实现实时、低漏检率和高准确率的检测效果。主要工作内容如下:
(1)为提高缺陷图像质量,突出图像的细节的缺陷关键特征,提高缺陷检测准确率,选用Real-ESRGAN网络对数据进行超分辨率重建,实验表明进行超分辨率重建能在一定程度上提高检测准确率并降低漏检率。针对火箭弹粘接缺陷数据图像数量少、不同类型缺陷样本不均衡的问题;首先,采用翻转等传统数据增强技术,并通过迁移学习对模型权重进行初始化,进而改进Mosaic数据增强方法以在线增强数据,从而构建了针对火箭弹粘接缺陷检测的数据集,有效预防了过拟合现象。鉴于工业检测对实时性的要求,结合不同检测算法的综合性能对比,本文选择了YOLOv5s作为本文火箭弹粘接缺陷检测的基础算法。
(2)针对检测任务中小尺度缺陷目标特征提取不充分、识别精度低、漏检率高等问题,对YOLOv5s算法进行改进。1)为降低YOLOv5s算法中的特征提取网络中使用最大池化所带来的像素损失,进一步加强特征融合,在网络末端使用空洞卷积技术构造ASPP结构;2)为增强开裂、分层等缺陷特征表达能力,分别在特征提取网络(Backbone)的Focus结构与颈部(Neck)卷积和上采样之前加入不同注意力机制模块;3)为优化重叠目标的漏检问题,提升预测框的定位精度,用完全交并比算法代替广义交并比算法。通过消融实验对比改进模型的各项性能参数,得到了最优改进YOLOv5s网络并进行火箭弹粘接缺陷检测实验;实验结果表明,改进后的算法m AP提升了5.6%,漏检率降低了14%,对火箭弹粘接缺陷检测的准确率召回率达到98%以上。
(3)为验证检测效果,使用Faster R-CNN、SSD、YOLOv5s网络在本文实验环境下与改进后的算法进行对比实验;实验结果表明本文算法的检测准确率与召回率最高,达到98%以上,且检测速度也满足实时需求;可以实现实时、高准确率、低漏检率的粘接缺陷自动检测与识别,基本满足工厂实际生产中的需求。本文方法可以用于火箭弹粘接缺陷检测与识别,具有较好的综合检测性能。