典型文献
基于改进YOLOv5的推力球轴承表面缺陷检测算法
文献摘要：
为了提高推力球轴承表面缺陷检测的精确率和召回率,增强模型抗干扰能力,提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块.在特征网络引入所提模块,忽略无关噪声信息而关注重点信息,提升中小表面缺陷的提取能力.使用实例归一化代替批量归一化,提高模型训练时的收敛速度和检测精度.结果表明,在推力球轴承表面缺陷检测数据集中,改进YOLOv5模型的准确率达到87.0％,召回率达到83.0％,平均精度达到86.1％,平均每张图片检测时间为14.96 ms.相比于YOLOv5s模型,改进模型的准确率提升1.5％,召回率提升7.3％,平均精度提升7.9％.与原模型相比,改进YOLOv5模型有更好的缺陷定位能力和较高的准确度,能够减小检测过程中的异物对检测结果造成的干扰,检测速度满足工业大批量检测的要求.
文献关键词：
深度学习;推力球轴承;YOLOv5;Transformer;注意力机制;表面缺陷检测
中图分类号：
作者姓名：
袁天乐;袁巨龙;朱勇建;郑翰辰
作者机构：
浙江工业大学机械工程学院,浙江杭州310023;浙江科技学院机械工程学院,浙江杭州310023
文献出处：
引用格式：
[1]袁天乐;袁巨龙;朱勇建;郑翰辰-.基于改进YOLOv5的推力球轴承表面缺陷检测算法)[J].浙江大学学报（工学版）,2022(12):2349-2357
A类：
轴承表面缺陷
B类：
推力球轴承,表面缺陷检测,检测算法,精确率,召回率,增强模型,抗干扰能力,自动提取,提取检测,Transformer,多头自注意力机制,注意力机制模块,声信,关注重点,实例归一化,批量归一化,模型训练,收敛速度,检测精度,检测数据集,每张,检测时间,ms,YOLOv5s,改进模型,准确率提升,精度提升,缺陷定位,定位能力,检测过程,异物,检测速度,大批量,批量检测
AB值：
0.305706
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
