改进YOLOv5的气缸盖锻件缺陷视觉检测方法研究.pdf

改进 YOLOv5 的气缸盖锻件缺陷视觉检测方法研究*唐禹方凯杨帅王宸李宗良（湖北汽车工业学院机械工程学院，湖北 十堰 442000；湖北汽车工业学院电气与信息工程学院，湖北十堰 442000；上海大学上海市智能制造与机器人重点实验室，上海 200072；东风汽车集团有限公司特种装备事业部（东风越野车有限公司），湖北 十堰 442000）摘要：汽车气缸盖锻件在生产过程中容易出现各种裂纹，影响产品质量。针对当前气缸盖锻件检测缺陷精度和效率低的问题，提出了一种基于 YOLOv5 网络改进的算法模型 YOLOv5-MG。首先，搭建图像采集平台，制作气缸盖锻件缺陷样本数据集。然后，将 YOLOv5 Head 架构 SPP-YOLO 替换为 Decoupled Head 结构，提高模型的准确率和效率；使用双向特征金字塔（bidirectional feature pyramid network,BiFPN）替换 YOLOv5 网络原来的路径聚合网络（pathaggregation network,PANet），增强图像浅层特征信息与深层特征信息的融合；引入完备交并（complete intersection over union,CIoU）的计算方法提升算法检测的定位精度。实验表明，改进的算法在测试集上的均值平均精度达到了 99.81%，F1 的分值为 0.99，浮点运算数为 17.2 B。相较于其他深度学习模型，该方法有效地提高了气缸盖锻件的缺陷检测效率和精度，能够满足缺陷检测的要求。关键词：锻件缺陷；YOLOv5；Decoupled Head；双向特征金字塔中图分类号：TP391.4,TG164,TH16文献标识码：ADOI：10.19287/j.mtmt.1005-2402.2023.08.024Research on visual detection method of cylinder head forging defectsbased on improved YOLOv5TANG Yu,FANG Kai,YANG Shuai,WANG Chen,LI Zongliang(Dept of Mechanical Engineering,Hubei University of Automotive Technology,Shiyan 442002,CHN;Deptof Electrical Engineering,Hubei University of Automotive Technology,Shiyan 442002,CHN;Shanghai KeyLaboratory of Intelligent Manufacturing and Robotics,Shanghai University,Shanghai 200072,CHN;SpecialEquipment Division of Dongfeng Motor Group Co.,Ltd.(Dongfeng Off-RoadVehicle Co.,Ltd.),Shiyan 442002,CHN)Abstract：Various types of cracks are prone to be produced in the production process of automotive cylinder headforgings,which affect the product quality.An improved algorithm model YOLOv5-MG based on theYOLOv5 network is proposed to address the current problem of low accuracy and efficiency indetecting defects in cylinder head forgings.Firstly,a sample dataset of cylinder head forgings defects isproduced by building an image acquisition platform.Then,the accuracy and efficiency of the model areimproved by replacing the YOLOv5 Head architecture of the SPP-YOLO network with the DecoupledHead structure;the fusion of shallow feature information with deeper feature information is enhancedby replacing the original path aggregation network (PANet)of the YOLOv5 network with the *国家自然科学基金（51475150）；教育部人文社科项目（20YJCZH150）；教育部产学研合作协同育人项目（202002009056）；湖北省高等学校中青年科技创新团队计划项目（NO T20200018；湖北省社科基金（21Q174）；湖北汽车工业学院博士基金（BK201905）2023年第8期检测与质量 Detection and Standardization_ 166 bidirectional feature pyramid network (BFPN);and the localization accuracy of the algorithm isimproved by introducing the computation method of complete intersection over union(CIoU).99.81%mean accuracy,0.99 F1 score and 17.2 B floating point operations (FLOPs)are achieved by theimproved algorithm on the test set.Keywords：forging defects;YOLOv5;Decoupled Head;bidirectional feature pyramid 汽车锻件广泛用于汽车变速器、汽车发动机车内饰、传动装置和汽车转向系统。由于生产过程中淬火、过热、翻转等工艺不当，锻件生产过程中可能会出现缺陷。为了保证企业生产高质量的锻件，有必要对锻件进行无损检测1。目前，部分企业使用荧光磁粉2检测方法，通过人工检测观察磁迹来检测缺陷，但是这种检测方法效率低、成本高，并且当工人超负荷工作时容易出错。因此，用计算机视觉技术34代替人工检测是当前企业的重要趋势之一。基于深度学习的检测方法比传统机器视觉方法具有更高效的图像特征提取能力。王宸5提出了一种基于 EffcientNet 模型对锻件荧光磁粉探伤图形进行检测，平均精度达到了 95.03%，该方法提高了检测精度和效率；马立等6对 Tiny YOLOv3 算法模型的损失函数和特征网络进行了改进，显著提升了模型对小目标的检测准确率；马燕婷等7提出了一种改进 YOLOv5 网络的带钢表面缺陷检测方法，模型中引入了 BiFPN 网络结构，增强了图像浅层信息和深层特征信息的融合，提高了主干网络的特征提取能力，防止缺陷的漏检；Byahatti R8提出了 DecoupledHead 模块的设计思路和实现细节，Decoupled Head模块将特征融合层和卷积层分离开使模型更灵活，能够在不同大小的特征图上检测不同大小的目标进而提高了目标检测的精度；郝用兴9使用了一种改进的 Faster-R-CNN 对铝型材表面瑕疵的检测，模型中对 RPN 网络中的瞄框进行改进，平均精度达到了 83.44%。当前，针对检测问题的研究多数基于传统视觉方法，在复杂工作场景中容易受到干扰，稳定性和准确率较低。工业缺陷检测常用的算法模型通常有两类，一类是单阶段检测模型，常见的模型有 YOLO10、CenterNet11等；另一类是二阶段检测，具有代表性的模型是 Faster-RCNN12。上述所有模型在 COCO数据集上皆表现得很出色，但是在气缸盖锻件缺陷检测中仍然存在着对不同大小缺陷的特征提取能力不足、检测精度低的问题。本文针对气缸盖锻件缺陷检测算法图像特征提取能力不足、模型检测精度低的问题，对 YOLOv5s模型进行改进，改进 YOLOv5s 模型的过程中采用了 BiFPN 网络和 Decoupled Head 结构来增强网络对气缸盖锻件不同缺陷的特征提取能力，并且修改了损失函数来提高算法的定位检测精度。本文提出的 YOLOv5-MG 模型在验证集上进行测试，实验表明，该模型在气缸盖锻件缺陷检测任务中具有良好的检测性能，平均精度达到了 99.81%，浮点运算数为 17.2 B，满足企业对气缸盖锻件精度大于 98%、生产节拍不低于 25 件/秒的要求。1 算法原理与改进YOLOv513有YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l 和 YOLOv5x 等 5 种模型结构，主要区别在于它们在处理输入图像时使用的神经网络架构不同，导致 5 个模型在检测目标时的精度、速度和计算复杂度有所区别。针对气缸盖锻件缺陷检测算法图像特征提取能力不足、检测速度慢、检测度精度低的问题，对YOLOv5s 模型进行改进，改进后的 YOLOv5-MG模型结构如图 1 所示，YOLOv5-MG 结构由“主干”“颈部”和“头部”等 3 个部分组成。“主干”部分负责提取图像的低层特征，“颈部”部分负责将低层特征转换为高层特征，“头部”部分负责对高层特征进行分类和回归，以得到最终的目标检测结果。1.1 Decoupled Head 模块2020 年，Byahatti R 等人提出了Decoupled Head14模块的设计思路和实现细节。Decoupled Head 是YOLO 的一种模型架。本文将 Decoupled Head 模块引入到 YOLOv5 中，实现了在不同特征层上检测不同大小的气缸盖锻件缺陷，提高了模型的检测精度。在 YOLOv5 中，预测部分被称为 SPP-YOLO15（Spatial Pyramid Pooling YOLO），它是 YOLOv5的一个重要组成部分。SPP-YOLO 是通过使用多个不同大小的特征图来提高 YOLO 算法的准确率和效率。在 SPP-YOLO 中，输入图像会被缩小到多个不2023年第8期_Detection and Standardization 检测与质量 167 同大小的特征图上，然后将这些特征图拼接在一起，形成一个多尺度的特征图。SPP-YOLO 是 YOLOv5中非常重要的组成部分，它可以帮助 YOLOv5 更好地检测各种尺寸的目标，提高准确率和效率。改进之后的 Decoupled Head 如图 2 所示，在图 2中分类负责预测目标所属的类别；目标检测负责预测目标的位置；回归负责精细调整边界框的位置，使其更精确地包围目标。本文还在回归改进了其中的损失函数。Decoupled Head 主要是为了提高 YOLOv5的准确率和效率。在 YOLOv5 中，原始的 Head（即预测层）是将输入图像缩小到一个与输入图像相同大小的特征图上，然后在该特征图上进行目标检测。但这种方法存在一些问题，例如，对于大尺寸的目标，在较小的特征图上检测可能会导致精度下降；对于小尺寸的目标，在较大的特征图上检测可能会导 致 检 测 精 度 过 低。改 进 之 后的 DecoupledHead 的做法是：使用多个不同大小的特征图进行目标检测，从而能够更好地检测各种尺寸的目标。具体来说，Decoupled Head 会将输入图像缩小到多个不同大小的特征图上，然后在这些特征图上分别进行目标检测。这样，对于大尺寸的目标，就可以在较大的特征图上进行检测；对于小尺寸的目标，就可以在较小的特征图上进行检测，从而避免了上述问题。特征层YOLOv5 改进之后的Decoupled Head分类检测CIoU11 卷积33 卷积图图 2 YOLOv5 Head 改进之后的效果图改进之后的效果图 Decoupled Head 还有一个优点是，它可以通过调整每个特征图的大小来调节精度和效率之间的平ConvConvConvConvConvConvConcatConcatConvConcatConcatConcatUpsampleUpsampleUpsampleConcatConcatConcatConvConvConv 2dConv 2d16168844Conv 2dCSPDarkNet主干颈部头部CSPDarkNetCSPDarkNetCSPDarkNetCSPDarkNetSPPFSPPFConvMaxpool2dMaxpool2dMaxpool2dConvConvConvnxBottleneckC3Conv 2d BNSiLUC3C3C3C3C3C3C3C3C3C3C3图图 1 YOLOv5-MG 网络结构网络结构2023年第8期检测与质量 Detection and Standardization_ 168 衡。例如，如果希望提高精度，可以使用更大的特征图；如果希望提高效率，可以使用更小的特征图。总 的 来 说，改 进 之 后的 Decoupled Head 是YOLOv5 算法的一种优化，它可以通过使用多个不同大小的特征图来提高 YOLOv5 的准确率和效率。1.2 BiFPN 模块随着网络层数的加深，提取到的特征信息可能逐渐丢失，因此，为了提高网络模型的检测性能，通常在目标检测网络中广泛使用多尺度特征融合的方法。多尺度特征融合通过将来自不同层级的特征图融合在一起从而提升目标检测模型的表现。这种方法有助于减少信息丢失，并提高模型的泛化能力，使其能够在多种情况下更好地进行目标检测。Google 团队 2021 年提出的 BiFPN 是一种加权的双向特征金字塔网络，它能够从两个方向（上下和左右）提取特征，使得 BiFPN 结构能够更有效地提取多尺度特征，并且比 PANet 结构更简单。另外，BiFPN 结构还具有较强的稳定性和适应性，可以适应多种不同的输入图像，并且能够稳定地处理图像中的目标。这使得 BiFPN 结构在训练过程中更加稳定，并且在实际应用中也能够取得更好的效果。YOLOv5s 中使用了 PANet 的结构，PANet 结构由一系列的卷积层组成，它们可以在不同层级的特征图上提取特征。改进的 YOLOv5-MG 模型中使用另一种结构 BiFPN 来替代 PANet。具体结构如图 3所示，图 3 中 CS 为 CSPDarkNet16模块，竖线部分为自顶向下的通路，传递的是高层特征的语义信息；网格线部分是自底向上的通路，传递的是低层特征的位置信息；右斜线部分是同一层在输入节点和输入节点间新加的一条边。在 BiFPN 网络，首先通过横向连接和下采样层，实现第 1 次特征融合，BiFPN 网络通过对主 CSPDarkNet 层提取的不同尺度的特征图进行下采样，并通过横向连接将它们融合在一起。然后通过跳跃连接，实现与同一尺度的下采样层和上采样层的第 2 次特征融合。跳跃连接允许 BiFPN 网络在不同尺度的特征图之间跳跃，使得它能够更好地融合不同尺度的信息。最后通过多尺度特征融合得到的特征图输入到最终的检测器中，完成目标检测任务。BiFPN 网络通过多次特征融合，能够更好地捕获目标的特征，从而提高目标检测的准确性。本文将 PANet 结构改进为 BiFPN 结构，在不损失速度的情况下同时提高模型的精度，BiFPN 结构将不同层级的特征图融合在一起，使用多个融合模块进行迭代融合，有效地提取了更丰富的特征信息，提高了模型的图像特征表示能力，降低了漏检率。CSCSCSCSCS图图 3 BiFPN 网络结构图网络结构图 1.3 CIoU 损失函数为了使气缸盖锻件缺陷目标定位的损失函数收敛速度更快，定位更为精确，YOLOv5-MG 算法中的定位损失函数的交并比选择使用 CIoU。常见的交并比损失函数有 4 种，即 IoU、GIoU、DIoU17和 CIoU。IoU 是最常用的位置损失函数之一，IoU越大，表示两个边界框重叠越多，损失越小，但是当预测框与真实框之间交集为零时，可能导致收敛速度较慢；GIoU 是 IoU 的改进版本，它考虑了两个边界框的外轮廓（外接矩形）之间的差距。GIoU比 IoU 更准确地评估了两个边界框的重叠情况。GIoU 解决了即使预测框与真实框交集为零也可以准确反映预测框和真实框的关系的问题，但是也存在其收敛速度比 IoU 更慢的缺点。DIoU 是另一种改进版的位置损失函数，它通过计算两个边界框的中心点距离来评估它们的重叠情况，但是没有加上预测框回归的纵横比，导致其收敛速度仍然不够快。CIoU 加上了预测框回归的纵横比，相比于上面 3 个损失函数，收敛速度比较快，CIoU 的表达式如下：LCIoU=1IoU+2(b,bgt)c2v（1）其中，IoU 的表达式见式（2），的表达式见式（3），v 的表达式见式（4）。IoU=ABAB（2）2023年第8期_Detection and Standardization 检测与质量 169 =v1IoU+v（3）V=42(arctanwgthgtarctanwh)2（4）2(b,bgt)cwgthgt式中：表示预测框和真实框的中心之间的欧氏距离；表示能够同时包含预测框和真实框的最小区域的对角线的距离；和 w 分别为真实框和预测框的宽；和h 分别为真实框和预测框的高。2 实验结果分析 2.1 实验平台为了实现对气缸盖锻件缺陷的智能检测和模拟真实企业生产情况，根据实际的企业生产设计了检测方案并搭建了气缸盖锻件检测的智能检测平台，如图 4 所示，需要的材料见表 1。123图图 4 智能检测平台智能检测平台 表 1检测平台材料材料（详见图4）参数及配置1.FLIR BFS-U3-89S6M-C工业相机分辨率4 0962 160207.8 mm106.4 mm2.S4560-6K悬挂式LED黑光灯紫外（光）通量6 000 W/cm2浮动LED黑光灯3.固定支架及遮光罩 本实验在 Ubuntu20.0 操作系统下，pytorch1.7.1框架，OpenCV2 和 Pycharm 代码集成开发环境，使用 CUDA11.0 加速 GPU；工作站的硬件是英特尔3.10 GHz 64 核 CPU，256 GB 内存，两个 NVIDIATitan XP GPUs。为了保证检测效果，方便后面模型的训练，气缸盖锻件缺陷的标注是至关重要的，本文所有的气缸盖锻件缺陷标注均是在工厂专业的技术人员的指导下制作完成的。为了丰富缺陷的尺度和姿态，增加噪声干扰，则使用数据增强的方式对图片进行扩展，扩展后的图片数量为 2 000 张，按照表 2 划分为训练集、测试集、验证集。表 2扩展数据集数据类型图片数量/张训练集1 600测试集200验证集200 2.2 模型评价指标本文采用一些评价指标对训练出来的模型进行评价。准确率（precision）即模型预测出的正确的目标框的占比，精度越高说明模型预测出的目标框越准确，能更好地检测到实际目标，见式（5）；召回率（recall）即模型能检测到的所有目标框占所有实际存在的目标框的比例，召回率越高说明模型能检测到的目标框越多，能够更全面地覆盖所有的目标，见式（6）；平均精度 AP（average precision）是不同召回率下的准确率的平均值，见式（7）；mAP 是一种综合性能指标，衡量了模型在所有类别中的精确率和召回率的平均值，mAP 值越高说明模型在多种精度阈值下的精度都较高，能够在多种情况下表现良好，见式（8）；其次参数量用来表征模型的大小，F1 值是准确率与召回率的综合值。P=TPTP+FP（5）R=TPTP+FN（6）式中：TP 为预测为正例，实际上也是正例的情况；FP 为预测为正例，实际上也是假例的情况；FN 为预测为假例，实际上也是正例的情况。AP=w10P(R)dR（7）mAP=n0AP(i)n（8）2.3 消融实验为了更加直观地展示所提出的模型在气缸盖锻件检测和识别的性能，进行了消融实验，实验结果见表 3。实验以 YOLOv5s 模型为基线，表 1 中第一组实验结果的 mAP 和第二组实验结果的 mAP 对比，在网络中增加 Decoupled Head，mAP 从 97.45%提高到 98.56%。结果表明，在 YOLOv5s 中的检测头从耦合变成 Decoupled Head，提升了网络对气缸盖锻件缺陷目标的分类和回归的预测能力，提高了精确2023年第8期检测与质量 Detection and Standardization_ 170 度，降低了漏检率。第二组和第三组实验结果对比显示，网络中的特征金字塔换成 BiFPN 之后，mAP 从 98.56%提高到 99.10%，结果表明，网络进行多尺度融合可以有效地结合高层信息特征和底层信息特征，有效地提高了检测精度。第三组和第四组实验结果对比显示，替换网络中的损失函数，mAP 从 99.10%提高到 99.82%，结果表明，网络中的损失函数替换为 CIoU_LOSS，提高了算法模型的检测准确率。第一组和四组实验结果对比显示，在 YOLOv5s网络中，进行解耦头，加权特征网络，损失函数的改进之后，mAP 提高了 2.37%。表 3消融试验对比结果方法第一组第二组第三组第四组YOLOv5sDecoupled HeadBiFPNCIoU损失函数mAP/（%）97.4598.5699.1099.82 在图 5 所示的 PR 曲线中，PR 曲线的形状可以反映分类器的性能，如果分类器的精度和召回率都很高，则 PR 曲线会接近右上角即曲线与 x 轴之间的面积越大，表示性能越好。对比发现，改进之后模型是试验中的最优模型。图 6 所示为 F1 曲线，它综合考虑了精确度与召回率，F1 的数值越大表明模型检测性能越好。2.4 对比实验为了说明改进之后的 YOLOv5-MG 模型在气缸盖锻件缺陷检测方面的具有的优势，将其与 Faster-RCNN、CenterNet、YOLOv4、SSD 和原始的YOLOv5s模型在制作的气缸盖锻件缺陷数据集上进行测试，具体结果见表 4。表 4 为 5 种试验模型的结果对比，改进的算法模型在所有的指标中 3 个最优。YOLOv5-MG 的 mAP相比于Faster-RCNN、CenterNet、YOLOv4、YOLOv5s分别提高了 12.48%、8.08%、6.49%、2.36%，满足企业相关的生产需求。2.5 模型检测结果在经过多次调试和优化之后，本文最终选择了改进后的 YOLOv5-MG 模型作为气缸盖锻件视觉检测模型。为了证明该模型的实际检测效果，使用了一个独立的测试数据集进行了检测，这些测试数据集中的图像可以用来检测模型是否能够准确地检测出目标物体，检测效果如图 7 所示，汽缸盖的预测精度分别为 0.97、1.00、0.99。结果表明该模型具有很高的检测精度，能够准确识别出各种缺陷，为自动化生产线提供了可靠的1.00.80.60.4准确率0.200.20.40.6召回率0.81.01.00.80.60.4准确率0.200.20.40.6召回率0.81.01.00.80.60.4准确率0.200.20.40.6召回率（a）YOLOv5s 模型的 PR 曲线（b）Decoupled Head 模型的 PR 曲线0.81.01.00.80.60.4准确率0.200.20.40.6召回率（c）Decoupled HeadBiFPN 模型的 PR 曲线（d）Decoupled HeadBiFPN+CIoU 模型的 PR 曲线0.81.0图图 5 4 种模型种模型的的 PR 曲线曲线2023年第8期_Detection and Standardization 检测与质量 171 检测能力，提升了生产效率和质量。此外，由于该模型具有较高的检测速度，能够快速处理大量的图像数据，为企业提供了更加高效的解决方案。总的来说，改进后的 YOLOv5-MG 模型在检测速度和检测精度方面都有所提升，能够满足企业对于智能检测系统的需求。3 结语本文提出了一种新的气缸盖锻件缺陷智能检测的模型，将 YOLOv5s 算法作为基础检测算法，制作了数据集，改进了网络结构。改进后的算法模型，主干特征提取网络为 CSPDarknet，BiFPN 作为特征融合层，引入 CIoU_ Loss 损失函数提高模型的收敛速度和定位精度，提高模型的准确率，避免了传统目标检测中复杂的图像处理过程，实现了端到端的实时监测。通过对比实验，经过改进的 YOLOv5-MG 算法在气缸盖锻件图像的缺陷检测中表现出较高的效率和准确率，在测试集上的平均精度达到了 99.81%，F1 的分值为 0.99，比改进之前提高了2.36%，有效地提高气缸盖锻件的缺陷检测效率和精度，对锻件缺陷检测具有重要的现实意义。1.00.80.60.4F10.200.20.40.6阈值0.81.01.00.80.60.4F10.200.20.40.6阈值0.81.01.00.80.60.4F10.200.20.40.6阈值（a）YOLOv5s 模型的 F1 曲线（b）Decoupled Head 模型的 F1 曲线0.81.01.00.80.60.4F10.200.20.40.6阈值（c）Decoupled HeadBiFPN 模型的 F1 曲线（d）Decoupled HeadBiFPN+CIoU 模型的 F1 曲线0.81.0图图 6 4 种模型种模型的的 F1 曲线曲线（a）预测值为 0.97（b）预测值为 1.00（c）预测值为 0.99图图 7 YOLOv5-MG 模型对气缸盖锻件结果模型对气缸盖锻件结果表 45 种模型试验结果对比模型mAP/（%）F1值召回率/（%）参数量/M浮点运算数/BFaster-RCNN87.330.9095.8961.932.8CenterNet91.730.9182.9332.73.8YOLOv493.320.9289.0264.029.9YOLOv5s97.450.9297.6272.316.5YOLOv5-MG99.810.9998.8173.817.22023年第8期检测与质量 Detection and Standardization_ 172 本文提出的模型仍然存在以下两个问题。（1）模型轻量化18：一个轻量化模型可以提高检测速度，对于工业生产尤其重要，能够大幅提升生产效率，今后尝试用多种方法轻量化模型，比如采用简化网络结构、使用更小的卷积核、剪枝等操作去实现模型轻量化。（2）样本少19：在训练检测模型时，样本数量是影响模型性能的重要因素。然而，在企业生产中，缺陷的种类多而数量少是一个常见问题，目前常用的解决方法有数据增强、迁移学习、网络结构精简等。使用小样本来训练检测模型，以实现对缺陷的检测是目前研究的另一热点。因此，在未来的研究中，尝试使用这些方法来解决模型轻量化和样本少的问题，以提升检测模型的性能，满足企业快速落地部署的要求。参考文献 王克臻，栾绍浩，王康.无损检测技术在机械焊接中的应用J.电子技术，2022，51（10）：196-197.1 高敏杰，雄洙，孙斌，等.荧光磁粉表面缺陷检测系统J.无损检测，2017，39（2）：67-70.2 林杰，宣寒玉，宋学勇，等.基于机器视觉微小螺纹孔缺陷智能检测技术的研究J.制造技术与机床，2022（9）：104-110.3 郑魁敬，刘学超，王萌萌.基于机器视觉的手机电池表面缺陷检J.制造技术与机床，2020（4）：105-112.4 王宸，唐禹，张秀峰，等.基于改进EfficientNet的锻件磁粉探伤智能检测方法研究J.仪器仪表学报，2021，42（9）：89-96.5 马立，巩笑天，欧阳航空.目标检测改进J.光学精密工程，2020，28（4）：988-995.6 马燕婷，赵红东，阎超，等.改进网络的带钢表面缺陷检测方法J.电子测量与仪器学报，2022，36（8）：150-157.7 Byahatti R，Viraktamath S V，Yavagal M .Object detection andclassification using YOLOv3J.International Journal of EngineeringResearch&Technology(IJERT)，10(2).8 郝用兴，李泽坤，张太萍，等.改进 Fast R-CNN对铝型材表面瑕疵的检测J.工具技术，2021，55（3）：76-80.9 Redmon J，Farhadi A.YOLO 9000:Better,faster,strongerC.IEEEConference on Computer Vision&Pattern Recognition，IEEE,Honolulu，HI，USA，2017：6517-6525.doi:10.1109/CVPR.2017.690.10 Wang X，Zhang Z L，Dai H F.Detection of remote sensing targets withangles via modified CenterNetJ.Computers and Electrical Engineering，2022，100：107979.11 Sun X D，Wu P C，Hoi S.Face detection using deep learning:Animproved faster RCNN approachJ.Neurocomputing，2018，299（19）：42-50.12 Zhu X，Lyu S，Wang X，et al.TPH-YOLOv5：Improved YOLOv5 basedon transformer prediction head for object detection on drone-capturedscenariosC.2021 IEEE/CVF International Conference on ComputerVision Workshops(ICCVW)，2021：2778-2788.13 Ge Z，Liu S T，Wang F，et al.YOLOX：Exceeding YOLO series in2021J.arXiv：2107.08430.14 Huang Z C，Wang J L，Fu X S，et al.DC-SPP-YOLO:Dense connectionand spatial pyramid pooling based YOLO for object detectionJ.Information Sciences，2020，89：522-530.15 白俊卿，张文静.基于YOLOv4优化的轻量级无人机障碍物检测方法J.电子测量技术，2022，45（22）：87-91.16 周敏.基于 Focal-EIOU函数的被动式太赫兹图像违禁物品识别J.太赫兹科学与电子信息学报，2022，20（8）：810-816.17 李成跃，姚剑敏，林志贤，等.基于改进YOLO轻量化网络的目标检测方法J.激光与光电子学进展，2020，57（14）：45-53.18 杜娟，杨钧植.基于迁移学习的小样本连接器缺陷检测方法J.自动化与信息工程，2022，43（5）：1-7.19第一作者：唐禹，男，1996 年生，硕士研究生，主要 研 究 方 向 为 机 器 视 觉 和 智 能 制 造。E-mail：通信作者：方凯，男，1981 年生，博士，副教授、硕导，主要研究方向为机器视觉与智能制造。E-mail：（编辑高扬）（收修改稿日期：20230327）文章编号：20230825如果您想发表对本文的看法，请将文章编号填入读者意见调查表中的相应位置。2023年第8期_Detection and Standardization 检测与质量 173