基于YOLOV5s_Attention的表面缺陷检测的应用研究

基于卷积神经网络的表面缺陷检测算法虽然取得了较高的检测精度,但在检测速度上不能较好满足实际工程应用的实时性需求。为了满足实际工程中对检测精度与检测速度的均衡要求,文中以YOLOV5s为基线提出一种基于通道空间注意力的表面缺陷检测算法YOLOV5s_Attention。首先,将传统的数据增强与马赛克数据增强相结合来提升模型鲁棒性;其次,在Backbone中添加SE模块,将不同通道的特征权重进行重新分配,更有效地进行特征提取;最后,在Neck的跳链中添加CBAM模块,将提取特征依次进行通道与空间维度的融合,较好地保留了图像的通道特征与空间位置信息。在标准数据集上的大量对比实验证实了提出的YOLOV5s_Attention优于一些现有的经典模型。以NEU-DET数据集为例,相较于基线YOLOV5s,YOLOV5s_Attention的检测精度提升了8.3%,其中六类缺陷之一的细裂纹(Cr)的检测精度由32.8%提升到了76.8%,在保证检测精度的同时,单帧检测时间也达到91 f/s,从而能较好地满足缺陷检测工程中对检测精度与检测速度的均衡需求。