基于深度可分离卷积的大型铸件焊缝检测方法

王杰; 马行; 穆春阳

doi:10.13873/J.1000-9787(2023)05-0161-04

Chinese

您当前的位置：

首页 >

文章列表页 >

基于深度可分离卷积的大型铸件焊缝检测方法

计算与测试 | 更新时间：2025-09-11

- 基于深度可分离卷积的大型铸件焊缝检测方法
- 暂无标题
- 传感器与微系统 2023年第5期页码：161-164+168
- 作者机构：
  
  1. 北方民族大学计算机科学与工程学院
  2. 宁夏智能信息与大数据处理重点实验室
  3. 北方民族大学机电工程学院
- 作者简介：
- 基金信息：
  
  宁夏自治区重点研发计划资助项目(2021BEE03002);宁夏自然科学基金资助项目(2019AAC03121,2020AAC03201)
- DOI：10.13873/J.1000-9787(2023)05-0161-04
  中图分类号： TG441.7;TP391.41
- 纸质出版：2023
- 稿件说明：
移动端阅览
王杰, 马行, 穆春阳. 基于深度可分离卷积的大型铸件焊缝检测方法[J]. 传感器与微系统, 2023,(5):161-164+168.
王杰, 马行, 穆春阳. 基于深度可分离卷积的大型铸件焊缝检测方法[J]. 传感器与微系统, 2023,(5):161-164+168. DOI： 10.13873/J.1000-9787(2023)05-0161-04.

DOI：

摘要

针对目前大型铸件的焊缝检测方法中对连续密集焊缝的检测准确度较低、漏检率较高的问题，将实时性较高的YOLOv3算法应用到大型铸件的焊缝检测领域，并提出两点改进：将普通卷积替换为深度可分离卷积(DSC)

减少参数量；针对损失函数进行改进，减少漏检率。实验结果表明：改进的方法在改善检测效果的同时，降低了检测时间，在焊缝数据集上的测试达到最高94.7%的平均精度，比原始YOLOv3提升2.5%

平均检测速度达到了19.3 fps

检测速度提高了2倍。

Abstract

关键词

Keywords

references

基于YOLO的轨道扣件状态检测[J]. 王兵水;郑树彬;柴晓冬;李立明.传感器与微系统,2021(04)

一种基于深度可分离卷积的实时多人姿态估计[J]. 肖文福;孙燚;陈恩庆.计算机应用研究,2020(S2)

基于深度学习的发电站制冷水管焊缝图像检测[J]. 王立辉;秦成帅;杨贤彪;沈秋成.电力工程技术,2020(05)

基于深度学习的管道环焊缝目标检测方法[J]. 王宏安.自动化与仪器仪表,2020(09)

深度卷积神经网络的发展及其在计算机视觉领域的应用[J]. 张顺;龚怡宏;王进军.计算机学报,2019(03)

微细对接焊缝初始点定位方法[J]. 孙农亮;崔红星;梁少华.光学精密工程,2017(03)

Focal Loss for Dense Object Detection.[J]. Lin Tsung-Yi;Goyal Priya;Girshick Ross;He Kaiming;Dollar Piotr.IEEE transactions on pattern analysis and machine intelligence,2020

Seam tracking investigation via striped line laser sensor[J]. Yanbiao Zou;Jinchao Li;Xiangzhi Chen.The Industrial Robot,2017

Robust welding seam tracking using image seam extraction[J]. Chen;Su;Xiang.Science and Technology of Welding and Joining,2012

浏览量

228

下载量

CSCD

文章被引用时，请邮件提醒。

提交

工具集

关联资源

基于ECA和YOLOv4的轻量级目标检测网络设计

轻量化深度学习网络的条码定位算法

基于改进SSD的车内宠物遗落检测方法

基于V5CA与几何特征的运动物体目标检测及位姿估计方法

基于深度可分离卷积残差模块的抓取检测算法