Joint Enhancement of Multi-Scale Features and Adaptive Loss for YOLOv5
Dit artikel stelt een multidimensionaal collaboratief verbeteringskader voor YOLOv5 voor dat LAB-ruimte CLAHE, een hoog-resolutie P2-detectielaag met Varifocal Loss, en deformabele convolutie met kanaalattentie integreert om effectief uitdagingen met betrekking tot lage lichtomstandigheden, kleine doelwitten en geometrische deformatie in industriële visuele inspectie aan te pakken, waarbij een superieure prestatie wordt behaald ten opzichte van mainstream detectoren op een gespecialiseerde zakken-dataset.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
In de wereld van industriële automatisering vertrouwen machines op camera's om te zien wat mensen zien, maar ze worstelen vaak met dezelfde visuele problemen die ons in slecht verlichte kamers in de problemen brengen. Wanneer een fabrieksvloer slecht verlicht is, of wanneer een product gekreukt, gevouwen of minuscuul is, kunnen standaard computer vision-systemen hun weg kwijtraken. Ze kunnen een klein scheurtje in een zak missen of er niet in slagen een beschadigd onderdeel te lokaliseren omdat de afbeelding te donker is of het object te vervormd is. Dit is waar het vakgebied van objectdetectie in beeld komt, een tak van kunstmatige intelligentie die ontworpen is om computers te leren objecten te identificeren en te lokaliseren binnen een afbeelding. Hoewel moderne systemen krachtig zijn, falen ze vaak wanneer ze geconfronteerd worden met de chaotische realiteit van een magazijn: weinig licht, minuscule defecten en objecten die niet perfect van vorm zijn. Onderzoekers proberen voortdurend systemen te bouwen die deze moeilijke omstandigheden kunnen aanpakken zonder het snelle tempo van industrieel werk te vertragen.
Een team van onderzoekers van de Taiyuan University of Science and Technology en Taiyuan Fortucky Logistics Equipment & Technology Co., Ltd. heeft deze specifieke uitdagingen aangepakt door een populair detectiesysteem genaamd YOLOv5 te verbeteren. Ze richtten hun werk op een bijzonder lastige taak: het inspecteren van industriële bigbags, die grote geweven zakken zijn die gebruikt worden voor het transport van bulkmaterialen. Deze zakken vormen een perfecte storm van moeilijkheden voor een camera. In omstandigheden met weinig licht is de geweven textuur van de zak moeilijk te onderscheiden, en eventuele schade, zoals een klein gaatje of een scheur, is vaak te klein om duidelijk te zien. Bovendien verkreukelen en draaien deze zakken terwijl ze gestapeld en verplaatst worden, waardoor hun vorm verandert op manieren die standaard camera's in verwarring brengen. De onderzoekers wilden een enkele oplossing creëren die tegelijkertijd de duisternis kan aanpakken, de kleine gebreken kan vinden en zich kan aanpassen aan de veranderende vormen van de zakken.
Om het probleem van slechte verlichting op te lossen, introduceerde het team een methode die werkt als een slimme zaklamp voor de ogen van de computer. In plaats van simpelweg de hele afbeelding te verhelderen, wat details kan uitwassen of verblindende plekken kan creëren, gebruikten ze een techniek die het contrast in kleine, lokale gebieden aanpast. Stel je voor dat je naar een donkere kamer kijkt waar sommige hoeken pikzwart zijn en andere iets verlicht; een eenvoudige verheldering zou de hele kamer wit maken en de schaduwen doen verdwijnen. De methode die hier wordt gebruikt, bekend als CLAHE, bekijkt kleine fragmenten van de afbeelding en verhoogt het contrast alleen daar waar het nodig is. Dit stelt de computer in staat om de fijne weving van de zak en de subtiele verschillen die op een scheur wijzen te zien, zelfs in zeer donkere hoeken, terwijl de ruis en korreligheid van de afbeelding onder controle wordt gehouden. Deze stap zorgt ervoor dat de computer een helder, gedetailleerd beeld ontvangt voordat hij überhaupt begint met het zoeken naar defecten.
Zodra de afbeelding helder is, moet het systeem de kleine beschadigde gebieden vinden, die vaak slechts enkele pixels breed zijn. Standaard detectiesystemen missen deze kleine doelen vaak omdat ze afbeeldingen verwerken in lagen die de afbeelding geleidelijk verkleinen, waardoor kleine details verdwijnen. De onderzoekers voegden een nieuwe laag toe aan het systeem die een hogeresolutiebeeld van de afbeelding behoudt, waardoor het deze minuscule gebreken kan opsporen zonder ze in de onscherpte te verliezen. Ze hebben ook de manier waarop het systeem leert van zijn fouten veranderd. In plaats van elke fout hetzelfde te behandelen, besteedt de nieuwe methode extra aandacht aan de moeilijk te vinden kleine objecten en de objecten waar het systeem over twijfelt. Deze combinatie van het behouden van een scherp, dichtbij beeld en het nauwkeuriger leren van moeilijke voorbeelden, heeft het vermogen van het systeem om kleine scheuren en gaten te vinden die het eerder zou hebben genegeerd, aanzienlijk verbeterd.
De laatste uitdaging was het omgaan met de zakken terwijl ze draaien en vouwen. Een standaard cameraleens ziet de wereld in een rigide raster, wat goed werkt voor rechte lijnen, maar moeite heeft wanneer een object buigt of rekt. Om dit op te lossen, gaven de onderzoekers het systeem een flexibele manier van kijken. Ze voegden een mechanisme toe dat de computer in staat stelt om zijn focuspunten licht te verschuiven, waarbij het zijn kijk aanpast aan de rimpels en krommingen van de zak. Dit wordt gekoppeld aan een systeem dat leert welke delen van de afbeelding het belangrijkst zijn, wat de computer effectief vertelt om de achtergrondruis te negeren en zich te concentreren op de vorm van de schade. Door dit flexibele kijken te combineren met een focus op de meest relevante kenmerken, werd het systeem veel beter in het herkennen van beschadigde zakken, zelfs wanneer ze gekreukeld waren of op vreemde manieren gekanteld waren.
Toen de onderzoekers hun verbeterde systeem testten op een collectie afbeeldingen van echte bigbags, waren de resultaten opmerkelijk. Onder omstandigheden met weinig licht sprong het vermogen van het systeem om schade te detecteren van 65,1% naar 78,4%, een aanzienlijke sprong die betekent dat er veel minder defecten gemist worden. Voor de kleinste doelen steeg de detectiegraad naar 85,2%, en voor vervormde zakken bereikte het 74,3%. Over het algemeen behaalde het nieuwe systeem een nauwkeurigheid van 86,7%, waarmee het andere leidende detectiemodellen zoals YOLOv7 en YOLOv8 overtrof, die respectievelijk 75,8% en 78,6% scoorden. De studie toont aan dat door verlichting, schaal en vorm gelijktijdig aan te pakken, het mogelijk is om een robuust inspectie-instrument te creëren dat betrouwbaar werkt in de complexe en vaak imperfecte omgeving van een industrieel magazijn. Deze aanpak biedt een praktisch pad voor het waarborgen van kwaliteitscontrole in logistiek en productie, waar het missen van een klein defect later tot grote problemen kan leiden.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.