Обнаружение дефектов керамических прокладок на основе полуобучаемого YOLOv7_OBB с адаптацией к предметной области
Ceramic gasket defect detection based on semi-supervised domain adaptive YOLOv7_OBB
2025-05-13
SCID: 54.1/e6nyb8jh
Discuss with AI
потеря на основе расхождения Кульбака—ЛейблераYOLOv7_OBBобнаружение дефектов керамических прокладокориентированные ограничивающие рамкиполуобучаемая адаптация домена
Figures from the paper
Abstract (AI)
В современных промышленных отраслях обнаружение дефектов керамических прокладок имеет важное значение для обеспечения надежности сварочных процессов и качества продукции. Традиционные методы обнаружения объектов на основе повернутых ограничивающих рамок отличаются чрезмерной чувствительностью к проблемам, связанным с границами, что в таких случаях приводит к ненадежной точности обнаружения. Кроме того, традиционные методы обнаружения дефектов керамических прокладок на основе машинного зрения обычно требуют больших размеченных наборов данных для обучения. Этот процесс не только требует значительных трудозатрат, но и характеризуется низкой эффективностью и ограниченной точностью, что затрудняет удовлетворение постоянно ужесточающихся требований промышленного производства. Дополнительная проблема обусловлена разрывом между предметными областями исходных данных, используемых для обучения, и целевой среды развертывания; этот разрыв проявляется в существенных различиях разрешения изображений, текстур, сложности фона и морфологии дефектов. Такие сдвиги предметной области значительно ограничивают способность моделей обнаружения к обобщению. Ситуация усугубляется недостатком или полным отсутствием размеченных образцов в целевой предметной области, что делает непосредственное применение обучения с учителем невозможным. Эти проблемы подчеркивают необходимость использования методов адаптации к предметной области для согласования распределений признаков между предметными областями и повышения эффективности обнаружения в реальных условиях. Для решения этих задач в статье предложен новый алгоритм обнаружения дефектов керамических прокладок — SSDA-YOLOv7_OBB (Semi-Supervised Domain-Adaptive YOLOv7_Oriented Bounding Box, полуобучаемый YOLOv7 с адаптацией к предметной области и ориентированными ограничивающими рамками). Алгоритм совершенствует YOLOv7, объединяя Circular Smooth Labels с функцией потерь на основе расхождения Кульбака—Лейблера для оптимизации традиционных повернутых ограничивающих рамок, а также включает стратегию полуобучаемой адаптации к предметной области SSDA-YOLO. Экспериментальные результаты на самостоятельно сформированном наборе данных показывают, что предложенный метод достигает точности 78,6% при горизонтальном сравнении с распространенными алгоритмами. При различ...
Key Findings
1
Для снижения чувствительности к границам и улучшения оптимизации вращающихся ограничивающих рамок применяются Circular Smooth Labels и функция потерь на основе расхождения Кульбака—Лейблера.
2
На самостоятельно созданном наборе данных метод достиг точности 78,6% при сравнении с распространёнными алгоритмами обнаружения.
3
Предлагаемый подход направлен на снижение зависимости от больших размеченных наборов данных и повышение способности к обобщению в целевом домене эксплуатации.
4
Метод учитывает сдвиги между исходным и целевым доменами по разрешению изображений, текстуре, сложности фона и морфологии дефектов при малом или нулевом числе размеченных целевых образцов.
5
Предложен метод SSDA-YOLOv7_OBB для обнаружения дефектов керамических прокладок, объединяющий полуобучаемую адаптацию домена с детекцией ориентированных ограничивающих рамок.
Research Object
керамические прокладки на изображениях производственного контроля
Research Subject
точность обнаружения дефектов и кросс-доменная обобщающая способность при изменениях разрешения изображений, текстуры, сложности фона, морфологии дефектов и ограниченной разметке целевого домена
Publication Details
Publication Date
2025-05-13
Journal
Publisher
ISSN
Cited by
1
Access Type
Author Information
Download PDF
Subscribe to digest