基于CCD-YOLOv5算法的铸件表面缺陷检测模型

针对铸件表面缺陷检测对象种类繁多、目标不明显、特征多样等因素,提出一种基于改进YOLOv5算法的铸件表面缺陷检测模型。对数据样本做翻转、旋转、调色处理,使用9-Mosaic数据增强,丰富样本数量特征;将CSPDarknet53模块替换为C2f模块,丰富轻量化网络梯度信息;引入CA注意力机制,提升模型泛化能力;将耦合头模块替换为解耦头模块,提升拟合速度。改进CCDYOLOv5对铸件表面缺陷检测的准确率由78.2%提升至82.9%,召回率由74.3%提升至76.7%,mAP@0.5值由76.4%提升至81.0%。结果表明,改进模型有效提升了综合识别检测效果。