工厂传送带的零件计数与缺陷检测的YOLOv5s模型优化与OpenCV加速.docxVIP

PAGE2

工厂传送带的零件计数与缺陷检测的YOLOv5s模型优化与OpenCV加速

摘要

随着工业4.0时代的到来，智能制造对生产线的自动化检测提出了更高要求，传统的人工计数与目视检测已无法满足现代工厂高效率、高精度的生产需求。针对工厂传送带上零件快速移动场景下的实时计数与外观缺陷检测问题，本课题设计并实现了一套基于优化YOLOv5s模型与OpenCV加速的视觉检测系统。系统采用边缘计算架构，在本地端完成图像采集、推理与报警，有效降低了网络延迟。核心方案包括改进YOLOv5s网络结构以增强小目标特征提取能力，优化非极大值抑制（NMS）后处理算法以提升密集目标检测精度，并利用OpenCV的DNN模块与多线程技术实现图像预处理与推理加速。

本文首先分析了传送带零件检测的背景与痛点，确立了高准确率计数与缺陷实时检出率的研究目标。其次，阐述了YOLOv5s算法原理与OpenCV加速技术，论证了技术选型的合理性。在需求分析阶段，明确了系统的功能性与非功能性指标，构建了用例模型。随后，完成了系统总体架构设计与功能模块划分，详细设计了图像处理流水线与缺陷识别逻辑。在实现阶段，重点解决了模型轻量化部署与高速运动模糊下的检测难题。最后，通过系统测试验证了优化后的模型在传送带运行速度为1.5m/s时，计数准确率达到99.2%，缺陷检出率达到96.5%，单帧处理耗时降低至35ms，满足工业现场实