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。

基于TAS-YOLO的道路表面缺陷检测

针对路面小缺陷检测准确率低、漏检率和误检率高且均匀分布缺陷类型数据集难以采集问题,本文提出一种基于YOLOv5s的TAS-YOLO改进网络模型方法。首先,在预测结果阶段采用特定任务的上下文解耦头,通过分离分类和定位任务,增强定位检测框的精度;其次,通过FPN结构将5个尺度的特征图输入解耦头进行预测,增强小目标的多尺度特征信息;最后,使用滑动窗口损失函数优化YOLOv5,提高难分类样本的检测准确率,且模型收敛效果更好。实验结果表明,TAS-YOLO算法提升了各类缺陷的平均检测精度,mAP50值达到91.4%,FPS值达到126,较YOLOv7l、YOLOv8s、YOLOv9c-gelan和Efficientdet等主流检测算法提高了检测的精度和效率。