个人卖家：
科技与几何感
创建于：2025-08-25
基于改进 YOLOv5 的轴承缺陷检测算法
￥199.00
| 使用环境 |
在机械制造车间或设备维护现场，使用工业相机拍摄轴承表面图像，相机镜头距离轴承表面约 30 - 50cm，镜头垂直于轴承表面拍摄，图像分辨率 640×480 像素，输入网络图像尺寸调整为 640×640 像素。 |
| 使用对象 |
轴承表面的常见缺陷，包括划痕（cashang）、擦伤（huahen）和沟槽（aocao）。 |
| 使用目的 |
快速、准确地检测轴承表面的各类缺陷，提高轴承质量检测效率，减少人工检测的漏检率和误检率，保障机械设备的可靠运行。 |
| 输入数据 |
轴承表面图像帧 |
| 输出数据 |
缺陷类型（划痕、擦伤、沟槽）、缺陷位置坐标、缺陷尺寸信息 |
| 硬件配置 |
CPU：13th Gen Intel (R) Core (TM) i9-13900HX
GPU：NVIDIA GeForce RTX 3060
内存：64GB
摄像头：高分辨率工业相机，用于拍摄轴承表面图像 |
| 样本获取 |
使用工业相机在轴承制造车间采集图像，共 5824 张图像，图像大小为 640×480 像素，网络输入图像尺寸调整为 640×640 像素。将图像随机分为训练样本、验证样本和测试样本，其中 80% 为训练样本，10% 为验证样本，10% 为测试样本。 |
| 测试结果 |
在测试集上，改进的 YOLOv5 算法的 mAP 为 0.884，P（划痕）为 0.951，P（擦伤）为 0.863，P（沟槽）为 0.957，R（划痕）为 0.835，R（擦伤）为 0.842，R（沟槽）为 0.899。 |
| 执行速度 |
57.656 帧 / 秒。 |
| 资源消耗 |
针对上述硬件配置，运行算法时，CPU 平均占用率约为 40% 50%，GPU 平均占用率约为 70% 80%，内存使用占比约 40% 50%，模型计算过程中产生的中间变量内存为约 1GB。 |
| 源码类型 |
Python 版本源码 |
| 文件大小 |
算法程序文件 40KB，权重文件 200MB。 |
| 相关备注 |
本算法基于改进的 YOLOv5 框架，通过替换 C3 模块为 Res2Block 模块增强特征提取能力，并引入 BiFPN 模块提升特征融合效果，能够有效提高轴承缺陷检测的精度和鲁棒性，适用于复杂场景下的多缺陷类型检测，具有较高的实用性和工业应用价值。 |
