Modelo de detección de defectos en tiempo real en entorno industrial basado en red de aprendizaje profundo ligero
Autores: Lu, Jiaqi; Lee, Soo-Hong
Idioma: Inglés
Editor: MDPI
Año: 2023
Acceso abierto
Artículo científico
2023
Modelo de detección de defectos en tiempo real en entorno industrial basado en red de aprendizaje profundo ligero
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Detección de defectos en la superficie
Entornos industriales
Gestión de calidad
Red ligera
Detección de defectos
Campos industriales
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 37
Citaciones: Sin citaciones
La detección de defectos en la superficie en entornos industriales es crucial para la gestión de calidad y tiene un valor significativo en la investigación. Las redes de detección generales, como la serie YOLO, han demostrado ser efectivas en diversas detecciones de conjuntos de datos. Sin embargo, debido a la complejidad y variedad de defectos en la superficie de productos industriales, muchos defectos ocupan una pequeña proporción de la superficie y caen en la categoría de problemas típicos de detección de objetivos pequeños. Además, la complejidad de las arquitecturas de redes de detección generales depende de hardware de alta tecnología, lo que dificulta su implementación en dispositivos sin GPU o en dispositivos de computación en el borde y móviles. Para satisfacer las necesidades prácticas de aplicaciones de inspección de defectos de productos industriales, este documento propone una red ligera diseñada específicamente para la detección de defectos en campos industriales. Esta red se compone de cuatro partes: una red principal, una red de agregación de características a múltiples escalas, una red de mejora residual y una red de mejora de atención. La red incluye una red principal que integra capas de atención para la extracción de características, una red de agregación de características a múltiples escalas para información semántica, una red de mejora residual para enfoque espacial y una red de mejora de atención para interacción de características global-local. Estos componentes mejoran el rendimiento de detección para diversos defectos mientras mantienen bajos requisitos de hardware. Los resultados experimentales muestran que esta red supera a los modelos más recientes y populares YOLOv5n y YOLOv8n en los cinco indicadores P, R, F1, mAP@.5 y GFLOPS cuando se utilizan en cuatro conjuntos de datos públicos. Incluso se acerca o supera a los modelos YOLOv8s y YOLOv5s con varias veces la computación de GFLOPS. Equilibra los requisitos de ligereza en tiempo real y precisión en el escenario de detección de defectos en la superficie de productos industriales.
Descripción
La detección de defectos en la superficie en entornos industriales es crucial para la gestión de calidad y tiene un valor significativo en la investigación. Las redes de detección generales, como la serie YOLO, han demostrado ser efectivas en diversas detecciones de conjuntos de datos. Sin embargo, debido a la complejidad y variedad de defectos en la superficie de productos industriales, muchos defectos ocupan una pequeña proporción de la superficie y caen en la categoría de problemas típicos de detección de objetivos pequeños. Además, la complejidad de las arquitecturas de redes de detección generales depende de hardware de alta tecnología, lo que dificulta su implementación en dispositivos sin GPU o en dispositivos de computación en el borde y móviles. Para satisfacer las necesidades prácticas de aplicaciones de inspección de defectos de productos industriales, este documento propone una red ligera diseñada específicamente para la detección de defectos en campos industriales. Esta red se compone de cuatro partes: una red principal, una red de agregación de características a múltiples escalas, una red de mejora residual y una red de mejora de atención. La red incluye una red principal que integra capas de atención para la extracción de características, una red de agregación de características a múltiples escalas para información semántica, una red de mejora residual para enfoque espacial y una red de mejora de atención para interacción de características global-local. Estos componentes mejoran el rendimiento de detección para diversos defectos mientras mantienen bajos requisitos de hardware. Los resultados experimentales muestran que esta red supera a los modelos más recientes y populares YOLOv5n y YOLOv8n en los cinco indicadores P, R, F1, mAP@.5 y GFLOPS cuando se utilizan en cuatro conjuntos de datos públicos. Incluso se acerca o supera a los modelos YOLOv8s y YOLOv5s con varias veces la computación de GFLOPS. Equilibra los requisitos de ligereza en tiempo real y precisión en el escenario de detección de defectos en la superficie de productos industriales.