超纤革是一种用于高端产品的新型复合材料,其瑕疵检测对产品质量至关重要。针对超纤革表面瑕疵多尺度、长宽比差异大和微小瑕疵较多的难点,提出用于超纤革表面瑕疵识别的MFL_YOLOv8算法。MFL_YOLOv8算法首先基于Deformable Large Kernel Attention(DLKA)机制设计了多尺度特征提取模块DCNv3-LKA,显著增强了主干网络的多尺度特征提取能力;然后通过在特征金字塔网络中引入P2特征图和Dysample上采样模块,强化了网络对小目标的细节信息提取;最后引入Minimum Points Distance Intersection over Union(MPDIoU)以缓解训练初期小目标上的损失函数失效问题,提升了小目标的检测效果。在自制超纤革表面瑕疵数据集上的实验结果表明,相比于YOLOv8n,所提算法的平均检测精度和召回率分别提高了5.38%和7.27%,达到92.47%和92.40%,每秒帧率(FPS)为135.2 frame/s,满足工业现场的准确性和实时性要求。
苹果粉质化程度是衡量其内部品质的一个重要因素,采用了高光谱散射图像技术进行苹果粉质化的无损检测。针对高光谱散射图像数据量大的特点,提出了局部线性嵌入(local linear embedded,LLE)和支持向量机(support vector machine,SVM)相结合的用于检测苹果粉质化的新分类方法。LLE是一种通过局部线性关系的联合来揭示全局非线性结构的非线性降维方法,能有效计算高维输入数据在低维空间的嵌入流形。对降维后的高光谱数据采用SVM进行分类。将LLE-SVM分类方法与传统的SVM分类方法比较,仿真结果表明,对高光谱数据而言,用LLE-SVM得到的训练精度高于单纯使用SVM的训练精度;降维前后,分类器的测试精度变化不大,波动范围不超过5%。LLE-SVM为高光谱散射图像技术进行苹果粉质化无损检测提供了一个有效的分类方法。
