改进YOLOv7的玻璃表面缺陷检测方法研究

针对电子产品玻璃边缘表面的电极区域与非电极区域深加工过程中产生的大划伤、小划伤、划痕、异物等缺陷,提出了一种基于改进的YOLOv7的玻璃表面缺陷小样本检测方法。首先,在主干网络中加入卷积注意力模块(Convolutional Block Attention Module, CBAM)提高了通道注意力与空间注意力,解决了玻璃表面缺陷面积较小、在图像中分布差异较大、提高卷积神经网络在缺陷区域学习鲁棒性的特征表示的问题。其次,考虑到工业生产过程中缺陷样本较少、样本量不均衡,采用随机高斯噪声、Mixup、随机填充图像和随机拼接等图像增强方法,将样本进行扩充,并使样本均衡化。最后,将增加一个预检测头用于细长且轻浅的划痕检测,结合其他3个预测头,四预测头结构可以有效缓解过大差异对象带来的尺度方差引起的负面影响。实验结果表明,改进的YOLOv7算法相较于原始算法,平均精度提高了6.15%(mAP),检测效果优于当前YOLOv7网络,在一定程度上提高了工业生产过程中玻璃表面缺陷的小样本检测精度。