基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统 - 智能硬件及平台开发类赛获奖作品_智能机器人_机器学习_计算机视觉_智能车_自动驾驶 - 全国大学生数字媒体科技作品及创意竞赛官网
查看原图

竞赛作品 > 智能硬件

基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网(mit.caai.cn)2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。


  • 智能硬件竞赛作品——基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统

    作品名称:基于多尺度特征融合的Yolov4高速列车轮对踏面缺陷检测系统
    参赛院校:湖南工业大学
    指导教师:刘建华、何静
    团队成员:胡新亮、李小虎、侯娜
    数媒竞赛网2021年参赛作品
    作品描述:

    高速列车轮对踏面缺陷检测侧重于缺陷的识别和定位在图像中,在实际工业应用中更注重实时性模型推理环节,导致相关方法难以准确检测轮对踏面缺陷,同时确保实时性能。缺陷检测的实现依赖于包含昂贵的手动注释的特殊检查数据集。本文提出了一种基于Yolov4的多尺度特征融合检测系统,并着眼于实际的工业应用,如高速列车轮对踏面缺陷检测。实现强分类能力,系统继续使用Yolov4骨干网的特征图每个阶段的 Cspdarknet53 和 SPP。然后,提出的多尺度特征融合网络使用 L2归一化对融合前的特征进行标准化,使得轮对踏面的缺陷特征向量在同一数量级。随后,将四个阶段的特征融合到输出三个不同分辨率的融合特征,可以包含更多的语义信息和位置详细信息。基于这些多尺度融合特征,使用路径聚合网络对不同分辨率的特征图进行二次融合。改进的损失函数可以加快网络的收敛速度。最后,轮对胎面缺陷建立检测数据集WT-DET用于训练和评估方法。实验结果表明本文提出的改进的 Yolov4 目标检测算法能够达到检测准确率86.25%,优于目前主流检测算法。单 GPU 检测速度可达到 37.05 fps,实时检测表现。因此具有一定的实际应用价值。



智能硬件竞赛作品—基于PWM的自适应灯光系统 上一篇

  • 1/12

  • 2/12

  • 3/12

  • 4/12

  • 5/12

  • 6/12

  • 7/12

  • 8/12

  • 9/12

  • 10/12

  • 11/12

  • 12/12

智能硬件竞赛作品—基于机器视觉与深度学习的PCB缺陷检测系统 下一篇



Copyright © 2001 - 2022 全国大学生数字媒体科技作品及创意竞赛网版权所有

Copyright © 2001 - 2022 数媒竞赛网(http://www.shumeijingsai.com)版权所有