改进YOLOv3的轻量级铸件焊缝表面缺陷检测

针对机械制造行业中铸件焊缝表面缺陷数据集少,被检测物体处于复杂环境下目标检测困难和识别准确率低等问题,提出了一种改进的YOLOv3算法。使用了有效的数据增强技术,提高了模型的鲁棒性,使其更加适用于真实环境;引入轻量级网络GhostNet替换原始主干网络,降低模型参数量,减少训练时间;在主干网络最后一层输出端加入空间金字塔池化结构,提高模型的感受野和增强模型的抗干扰能力;在FPN(feature pyramid network)中引入1×1卷积和通道注意力机制,防止维度损失和提高对重要特征的关注度,增强对小目标的特征提取;在训练过程中引入Focal Loss,提高模型对正样本的预测准确率。实验结果表明,与原YOLOv3相比,改进模型在铸件焊缝缺陷数据集上mAP提升1.55%,小目标气孔AP提升4%,增加小目标识别精度。