文献类型：期刊文章

作　　者：王宸[1,2,3] 杨帅[1] 周林[1] 华珀玺[1] 王生怀[1] 吕江[4]

Wang Chen;Yang Shuai;Zhou Lin;Hua Boxi;Wang Shenghuai;Lyu Jiang(Hubei University of Automotive Technology,Shiyan 442000,China;China Academy of Engineering Science and Technology Shiyan Industrial Technology Research Institute,Shiyan 442000,China;Shanghai Key Laboratory of Intelligent Manufacturing and Robotics,Shanghai University,Shanghai 200072,China;Cutting and Measuring Tools Branch of Dongfeng Motor Parts Co.,Ltd.,Shiyan 442000,China)

机构地区：[1]湖北汽车工业学院机械工程学院,十堰442000 [2]中国工程科技十堰产业技术研究院,十堰442000 [3]上海大学上海市智能制造与机器人重点实验室,上海200072 [4]东风汽车零部件(集团)有限公司刃量具分公司,十堰442000

出　　处：《电子测量与仪器学报》

基　　金：国家自然科学基金(51475150);教育部人文社科项目(20YJCZH150);湖北省重点研发计划项目(2021BAA056);湖北省高等学校中青年科技创新团队计划项目(T20200018);湖北省社科基金(21Q174);湖北汽车工业学院博士基金(BK201905)项目资助。

年　　份：2023

卷　　号：37

期　　号：10

起止页码：153-163

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2023_2024、EAPJ、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对目前金属齿轮端面结构复杂,导致缺陷的小目标占比度高和尺度变化大引起的检测准确度低,难以满足企业实时在线检测需求等问题。本文基于YOLOv5s网络提出了一种基于自适应多尺度特征融合网络的金属齿轮端面缺陷检测方法(YOLO-Gear)。首先,搭建了一个齿轮端面缺陷检测试验台,并制作了齿轮端面缺陷数据集。然后,提出了自适应卷积注意力模块(convolutional block attention module-C3,CBAM-C3),CBAM-C3通过将通道注意力(channel attention module, CAM)和空间注意力(spartial attention module, SAM)相结合加强了对金属齿轮缺陷小目标缺陷自适应的特征学习与特征提取,及时对模型中的权重参数进行学习和优化,提高了模型对小目标缺陷的检测准确度;最后,提出了重复加权双向特征金字塔网络(bidirectional feature pyramid network, BiFPN),通过自适应控制不同尺度的特征图之间的融合程度,提高了模型对缺陷多尺度检测能力。试验表明,YOLO-Gear模型在齿轮端面缺陷测试集上的平均精度达到了99.2%,F1值为0.99,FPS值为33。相较于其他深度学习模型,本文提出的YOLO-Gear模型提高了检测的精度和效率,能够满足企业的实时在线检测需求。

关 键 词：齿轮端面  YOLOv5s  CBAM BiFPN  缺陷检测  

分 类 号：TP391.4] TH164[计算机类]