改进YOLOv5s的汽车玻璃花点缺陷检测算法

Improved YOLOv5s Detection Algorithm for frit band defects in automotive glass

针对目前汽车玻璃生产中,玻璃质量检测还大量依赖人工的问题,对YOLOv5s模型进行改进,提出了CSi-YOLOv5s的缺陷检测算法,用于实现汽车玻璃3类花点缺陷(黏连、残缺、缺失)的自动检测。首先,在Backbone部分的CBL模块中加入注意力模块CBAM,强化特征提取网络对多种花点缺陷特征的学习能力。其次,通过将激活函数改变为SiLU来优化深度网络的训练效果。对比实验数据表明,所提出的CSi-YOLOv5s花点缺陷检测算法对经过训练的3种花点图案的平均检测精度mAP达到99.1%,每张图像的平均检测时间小于0.15s。该算法对未经训练的4种花点图案的平均检测精度mAP也达到89.9%。算法实现了花点图案中微小缺陷的检测和分类,为汽车玻璃生产过程的缺陷检测提供了一种高效、实用且满足实时在线检测需求的解决方案。