基于YOLOV5-seg的含能材料晶体形貌图像识别OA

为提高含能材料颗粒形貌的品质检测精度和速度,采用基于深度学习的YOLOV5-seg模型的晶体图像目标检测方法,对CL-20、HMX、DNTF等晶体图像检测与识别进行了研究。首先,为通过改进骨干特征提取网络,加深网络结构以获取更多的目标信息,提高识别含能材料晶形的准确度;其次,通过添加注意力机制以及增加输出层来增强特征提取和特征融合,从而提升含能材料晶形检测效果;再次,通过迁移学习获得预训练权重,并将其用作改进后YOLOV5-seg的训练权重,以加快网络收敛速度;最后,通过YOLOV5-seg模型对含能材料晶体图片进行分割、训练和识别处理。结果表明,YOLOV5-seg模型的平均精度均值在交并比为0.5时(mAP@0.5)达到了85.636%,在交并比阈值为0.5~0.95(步长0.05)下的平均精度均值(mAP@0.5∶0.95)达到了79.258%,精确度达到了89.331%,召回率达到了81.25%。在圆形和六边形含能材料晶体上达到100%的精确识别,训练集与验证集的损失函数曲线均呈现稳定收敛趋势,表明模型具备良好的拟合能力与泛化性能。