基于YOLO的双层注意力缺陷检测算法

为了解决钢铁缺陷检测任务中小尺度、形态复杂、结构模糊目标导致现有算法精度低漏检率高问题,提出了基于YOLOv5s的SDD-YOLO算法。SDD-YOLO通过使用双层路由Transformer将局部特征与全局特征结合,提高对结构模糊的缺陷的检测效果;设计了全新的CSDA注意力,增强空间和通道的信息交互能力;使用NWD距离改进NMS算法,提高对小尺度目标的检测精度;设计了一种新的特征提取结构,降低梯度信息损失。使用增强后NEU-DET数据集实验后表明,SDD-YOLO算法相比YOLOv5s召回率提升了6.22%,平均精度均值提高了5.38%,提高了对多种缺陷类型的检测能力同时能够满足实时检测的需求。

基于改进YOLOv5的钢铁表面缺陷检测算法

针对钢铁缺陷检测任务中缺陷尺度差异大、缺陷类内形态差异大、缺陷结构模糊以及缺陷密度分布不平衡等问题导致的计算机视觉检测算法检测精度低与漏检问题,提出YOLO-DWCSP_CA算法。算法在YOLOv5s的网络结构基础上,结合带有大尺寸深度可分离卷积的DWCSP模块和CA注意力模块设计了DWCSP-CA结构替换了原本的骨干网络结构,增加了特征提取时的感受野,在保证检测速度的同时提高了检测精度。使用Soft-NMS降低了密集缺陷场景下的漏检率。设计了POLY-FLoss损失函数优化二元交叉熵损失提升检测精度。实验结果表明,算法相对于YOLOv5s查全率提升了5.99%,平均精度均值提升了4.20%。