改进YOLOv5s网络的胶囊表面缺陷检测方法

胶囊质检过程中为提升表面缺陷检测的精度与效率,提出了一种以YOLOv5s模型为基础,进行相应改进的胶囊表面缺陷检测方法。通过使用Stitcher算法进行数据增强来解决由于胶囊表面缺陷分布不均导致模型训练时学习不充分,检测目标准确率低的问题。针对胶囊表面的缺陷为微小且大小不一的目标,利用K-Means++聚类算法处理目标候选框的个数和宽高比,获得更加贴合的先验框。增加小物体检测层以便训练时更好地学习小目标的多种特征,从而提高模型应对复杂背景的能力。经实验验证,改进后的YOLOv5s模型AP均有提升,mAP提高了5.19%,表明基于改进YOLOv5s模型的胶囊表面缺陷检测方法具有更高的检测精度,且有较好的鲁棒性,满足生产质量管控的要求。