针对现有钢材表面缺陷检测方法准确率不高、识别速度慢等问题,文中提出了一种基于改进YOLOv5s(You Only Look Once version 5s)的缺陷检测方法。为了实现对图像重要区域信息的关注以及提高模型对目标缺陷的学习能力,在主干特征提取网络...针对现有钢材表面缺陷检测方法准确率不高、识别速度慢等问题,文中提出了一种基于改进YOLOv5s(You Only Look Once version 5s)的缺陷检测方法。为了实现对图像重要区域信息的关注以及提高模型对目标缺陷的学习能力,在主干特征提取网络引入CBAM(Convolutional Block Attention Module)注意力机制。为了提高目标框的回归速度和定位的准确性,使用距离损失和宽高损失结合的EIoU(Efficient Intersection over Union)边界框损失函数计算损失值。通过迁移学习加快模型的收敛速度来提升模型对各类缺陷检测准确率。通过在数据集NEU-DET上的实验结果表明,相较原始YOLOv5s网络,改进YOLOv5s网络模型对该数据集的准确率提升了6.3百分点,召回率提升了9.2百分点,mAP(mean Average Precision)达到了81.7%,对于钢材表面缺陷检测具有良好的性能。改进YOLOv5s算法的钢材表面缺陷检测模型大小仅为13.8 MB,在确保实时性的基础上提升了检测精度,便于模型在实际应用中的部署。展开更多
文摘针对现有钢材表面缺陷检测方法准确率不高、识别速度慢等问题,文中提出了一种基于改进YOLOv5s(You Only Look Once version 5s)的缺陷检测方法。为了实现对图像重要区域信息的关注以及提高模型对目标缺陷的学习能力,在主干特征提取网络引入CBAM(Convolutional Block Attention Module)注意力机制。为了提高目标框的回归速度和定位的准确性,使用距离损失和宽高损失结合的EIoU(Efficient Intersection over Union)边界框损失函数计算损失值。通过迁移学习加快模型的收敛速度来提升模型对各类缺陷检测准确率。通过在数据集NEU-DET上的实验结果表明,相较原始YOLOv5s网络,改进YOLOv5s网络模型对该数据集的准确率提升了6.3百分点,召回率提升了9.2百分点,mAP(mean Average Precision)达到了81.7%,对于钢材表面缺陷检测具有良好的性能。改进YOLOv5s算法的钢材表面缺陷检测模型大小仅为13.8 MB,在确保实时性的基础上提升了检测精度,便于模型在实际应用中的部署。