改进YOLOv5的布匹缺陷检测方法

现阶段布匹缺陷种类繁杂,且包含大量人眼难以辨别的小目标缺陷和长宽比极端不平衡缺陷,使得在复杂背景下的布匹缺陷检测成为一项艰巨任务。为此,提出一种改进YOLOv5的布匹缺陷检测方法。首先,在YOLOv5的C3模块中增加注意力机制NAM,设计为C3NAM模块,其可以抑制特征值中不显著的权重,在保持性能的同时进行高效计算;其次,采用一个新的CNN模块SPD-Conv,以解决大部分的布匹缺陷检测在分辨率较低或者瑕疵较小时性能迅速下降的问题;最后,在检测端引入新的损失函数Alpha-IoU,促进真实框和预测框的拟合,并提升对缺陷预测的准确性。实验结果表明:改进的YOLOv5网络模型较原YOLOv5网络模型mAP@0.5值提高了5.4%,mAP@0.5:0.95值提高了2.2%,且检测效果优于原网络模型和其他主流目标检测模型。