基于机器视觉的散点透镜检测系统.pdfVIP

摘要

光学透镜是一种精密的、新型的光学器件，有广泛的应用场景。实际生产中使

用自动贴装机贴装，但设备体积过大、识别精度低、误检率较高，难以满足工厂的

生产要求。针对这些问题，本文对目标检测算法进行了分析研究，并提出了改进的

DB-YOLOv5(DAMBi-FPNYOLOv5)算法模型。本算法以YOLOv5模型为基础，融

合了双重注意力机制DAM(Dualattentionmechanism)。其次，在特征融合网络方面，

采用了加权双向特征金字塔网络(Bi-directionalFeaturePyramidNetwork，Bi-FPN)进

行优化。最后，结合改进模型搭建散点透镜检测系统，主要研究内容如下：

（1）针对现有目标检测算法在检测散点透镜时，准确率低、误检率和漏检率高

等问题，选用YOLOv5为基础模型并进行改进优化。首先，在YOLOv5主干网络中

融合双重注意力机制DAM，由SENet注意力机制和CBAM注意力机制并联而成，

进一步提取散点透镜的重要特征，提高识别精度和检测效率。然后，优化了算法网

络结构，在特征融合网络中使用Bi-FPN网络，增强特征的融合能力及表达能力，简

化了网络参数，减少冗余复杂的计算过程，降低内存占用空间，从而提升检测速度。

（2）基于Python编程语言和Qt5框架设计并搭建了散点透镜检测系统。该系统

采用了本文提出的改进DB-YOLOv5算法模型，既实现了离线图片和视频数据的检

测，也能够对摄像头实时捕捉的视频数据进行检测。通过对各目标检测算法模型的

实验测试和对比分析，结果显示DB-YOLOv5算法模型在满足检测精度的前提下，

具有更优异的检测速度，因此更适合在实际应用中部署。

（3）构建用于识别检测散点透镜的数据集。当前，没有适合本文研究的公开数

据集，因此模拟工厂中的实际场景，自行搭建数据集采集平台，使用xw500工业相

机在采集平台实地拍摄。经过严格的数据清洗并筛选了两千张散点光学透镜图像，

经数据标注处理后制作成COCO格式数据集，满足算法模型的训练及测试要求。

本文提出的改进DB-YOLOv5算法模型，在自制散点透镜数据集上进行实验研

究。实验结果显示，精确度和召回率分别达到97.2%和96.1%，比YOLOv4模型分

别高出4.7%和12.0%，比YOLOv5模型分别高出1.5%和1.0%。充分证明了

DB-YOLOv5模型的高准确性，将其应用于散点透镜的智能识别可显著提高检测效

率。此外，通过检测系统的实时对比测试，改进DB-YOLOv5算法模型展现相对较

快的检测速度，能够满足实时检测要求。

关键词散点透镜；YOLOv5；双重注意力机制；加权双向特征金字塔网络；目标检

测

Abstract

Opticallensisapreciseandnewtypeofopticaldevicewithawiderangeof

application.Theactualproductionusesautomaticmountingmachinetoattachittothe

surfaceoftheobject,buttheequipmentistoolarge,therecognitionaccuracyislow,and

thefalsedetectionrateishigh,whichcantmeettheproductionrequirementsofthefactory.

Aimingattheseproblems,thispaperinvestigatestheobjectdetectionalgorithmand

proposesanimprovedDB-YOLOv5algorithmmodel.BasedontheYOLOv5model,a

dualatt