基于KAS-YOLO的钢板表面缺陷检测

针对当前基于视觉的钢板表面缺陷检测方法对小缺陷目标识别困难造成检测精度低的问题,提出一种基于YOLOv5s的钢板表面缺陷检测模型KAS-YOLO。首先,通过使用空洞空间金字塔池化模块来获取更大的感受野以提取更多表面缺陷的特征信息,并融入坐标注意力机制来提高特征提取能力;其次,用K-means算法聚类得到更匹配的锚框,不仅增加了正样本的数量,而且加速了模型的收敛;最后,采用SIoU损失函数来进一步提升模型对表面缺陷目标的定位和检测能力。实验结果表明,提出的KAS-YOLO模型对钢板表面缺陷的检测精度和速度优于Faster R-CNN、SSD、RetinaNet和YOLOv5s等主流检测方法。