计量学报

作者：杨威,杨俊,许聪源

单位：1. 浙江理工大学计算机科学与技术学院,浙江杭州310018; 2. 嘉兴大学信息科学与工程学院,浙江嘉兴314001;

关键词：机器视觉;带钢表面缺陷检测; YOLOv5; 多尺度融合; 损失函数

基金：国家自然科学基金 (62302197);浙江省自然科学基金 (LQ23F020006);浙江省基础公益研究计划 (LGG22F020021)

针对带钢表面缺陷检测方法存在检测精度低和检测速度慢的问题,提出一种基于改进YOLOv5的带钢表面缺陷检测方法。首先,采用内容感知特征重组CARAFE作为多尺度特征融合的上采样算子,构建具有通道缩放的自适应空间特征融合CS-ASFF结构,以增强多尺度特征融合并控制模型复杂度。其次,在模型的卷积层和跨层级结构引入GSConv和VoVGSCSP模块,以减小计算量并提高检测精度。最后,采用Focal-GIOU Loss作为损失函数来解决带钢缺陷图像中难易样本不平衡的问题,并提升模型对复杂数据的适应能力。实验结果表明,在NEU-DET数据集上该方法达到了80.6%的均值平均精度(PmAP),计算量为14.8 GFLOPs。与YOLOv5相比,PmAP提高了4.3%且计算量减少了6.33%。与当前主流目标检测网络相比,在更低的计算量下该方法具有最高的检测精度,能够满足真实工业场景下的带钢表面缺陷实时检测。

来源：2024年第11期

《计量学报》期刊编辑部

查看计量学报杂志2024年第11期