基于YOLOv5的换向器表面缺陷检测算法研究
张晓丽1
马怡琛1
仓玉萍2
董少飞1
郝纳1
何思思1
1.西安文理学院 机械与材料工程学院 陕西省表面工程与再制造重点实验室, 陕西 西安 710065;西安文理学院 机械与材料工程学院 西安市智能增材制造重点实验室, 陕西 西安 7100652.信阳师范大学 物理电子工程学院,河南 信阳 464000
摘要：在零部件制造和使用过程中,可能会在零部件表面出现缺损现象,而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件,进而导致零部件所在系统发生故障.以工业用典型零部件换向器为研究对象,提出了基于深度学习算法的零部件缺陷检测方法.研究中,基于KolektorS-DD数据集,首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理,对数据集进行扩充,构建数据集.其次,将构建的数据集划分为训练集和测试集.采用构建的训练数据集,搭建深度学习框架并采用YOLOv5 卷积神经网络训练模型,建立换向器表面缺陷识别模型.最后,采用构建的识别模型对测试集中的数据进行测试.结果表明,训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上,采用深度学习中YOLOv5 目标检测算法对换向器表面缺陷的检测精度可高达90%.
关键词：换向器表面缺陷深度学习卷积神经网络YOLOv5算法
分类号：TP181(自动化基础理论)
资助基金：国家自然科学基金(61603324)西安市科技计划项目(21XJZZ0060)陕西省表面工程与再制造重点实验室开放基金(2022SSER05)西安文理学院交叉建设项目(XY2023JC01)陕西省教育厅重点科学研究计划项目(21JS034)大学生创新创业训练项目(DC2022061)大学生创新创业训练项目(DC2023021)
论文发表日期：2023-11-20
在线出版日期：2025-08-15（本平台首次上网日期，不代表文献的发表时间）
页数：7( 21-27 )
英文信息