-
题名基于多模型级联的VSV调节机构装配智能检错方法
- 1
-
-
作者
邹凯
武殿梁
许汉中
周烁
于海文
-
机构
上海交通大学
中国航发上海商用发动机制造有限责任公司
-
出处
《航空制造技术》
CSCD
北大核心
2024年第16期117-129,共13页
-
基金
国家重大专项(2018YFB1701303)。
-
文摘
在航空发动机可调静子叶片(Variable stator vane,VSV)调节机构的装配过程中,目前仍需要人工检测其连杆防松钢丝的装配正确性,效率低且易出错。为替代人工检错,提出了一种基于多模型级联的智能检错方法。该方法是多个卷积神经网络级联的模型集成,其中包含检测模块、分类模块以及后处理比对检错3个部分。首先在检测模块上提出混合不同尺寸卷积核的深度可分离卷积与轻量化解耦头来对YOLOv5s进行改进,改进的YOLOv5s在测试集上的平均精度达到97.9%,相较于YOLOv5s、YOLOv8s分别提升了3.4%、1.5%。其次在分类模块上使用7×7深度卷积替代全局平均池化以改进ConvNeXt分类头,改进后性能得到提升,在连杆数据集和螺纹数据集上的准确率分别达到97.5%和95.4%。最后在后处理模块对两个分类模型的结果进行匹配,得出装配检测结果。利用现场装配车间采集的图片数据集对该智能检错方法进行验证,结果显示该方法平均精度达到92.7%,进一步验证了智能装配检错方法的可靠性。
-
关键词
多模型级联
YOLOv5
ConvNeXt
装配正确性检测
可调静子叶片(VSV)调节机构
-
Keywords
Multi-model cascade
YOLOv5
ConvNeXt
Assembly correctness detection
Variable stator vane(VSV)adjusting mechanism
-
分类号
TG95
[金属学及工艺—钳工工艺]
V263.2
[航空宇航科学与技术—航空宇航制造工程]
-
-
题名基于多模型级联的轻量级缺陷检测算法
被引量：2
- 2
-
-
作者
周宣
沈希忠
-
机构
上海应用技术大学电气与电子工程学院
-
出处
《电子测量技术》
北大核心
2022年第7期125-130,共6页
-
文摘
基于深度学习技术的缺陷检测算法往往因为网络参数较多而需要大量的图像样本去训练模型,但是在工业生产过程中缺陷产品数量极少,采集大量缺陷数据图像费时又费力。针对这一难题,本文提出了一种基于多模型级联的轻量级缺陷检测算法,采用监督学习的训练方式,通过少量缺陷样本就可以获得较好的检测效果。首先,使用CBAM注意力残差模块代替常规卷积层进行特征提取,以聚焦缺陷特征,强化网络对缺陷的表征能力;其次,设计了SE-FPN模块,促进各级特征之间有效融合,提高网络对缺陷的分割效果,尤其是对小缺陷的分割效果;最后,在训练阶段,采用监督学习方式对本文所提的多模型算法网络进行训练。实验结果表明,本文所提算法在KolektorSDD数据集上的检测准确率高达99.28%,每张图像的平均检测时间仅需10.5 ms,不但充分满足了工业检测行业高精度、实时性的要求,同时,还能实现对缺陷区域精准定位。因此,本文的研究内容非常适合应用在工业产品表面质量在线检测领域。
-
关键词
缺陷检测
多模型级联
监督学习
注意力
特征融合
-
Keywords
defect detection
multi model cascade
supervised learning
attention
feature fusion
-
分类号
TP391
[自动化与计算机技术—计算机应用技术]
-
