基于改进YOLOv5的手机外观缺陷检测算法

提出一种手机外观缺陷检测的改进算法YOLOv5-CBE。该算法在YOLOv5框架的基础上,在主干网络的C3模块中加入坐标注意力(coordinate attention, CA)机制,可同时考虑通道间的关系和位置信息,使模型更准确地定位并识别到目标区域。借鉴加权双向特征金字塔网络(Bidirectional feature pyramid network, BiFPN)的思想,将Neck部分的concat模块替换为多尺度特征融合结构,使不同分辨率的特征更有效地融合。使用Focal-EIoU替代原模型中的边界框回归损失函数CIoU,使回归过程更专注于高质量的预测框,提高了定位精度。在工业相机成相的手机外观缺陷数据集上进行测试,结果表明,与YOLOv5模型相比,基于Focal-EIoU的YOLOv5模型召回率(recall)和平均精度均值(mAP50)分别提升了4.7%、1.9%;改进算法的精确率(precision)、召回率(recall)、平均精度均值(mean average precision, mAP50)均有明显提升,分别提升了1.2%、5.6%、5.3%。

基于改进YOLOv5的陶瓷表面缺陷检测算法

提出一种陶瓷表面缺陷检测算法YOLOv5-G。该算法在YOLOv5框架的基础上,将全局注意力机制(GAM)引入主干和颈部网络中,该机制能够在减少信息弥散的情况下放大全局交互特征,增强了网络的特征表达能力;使用α-CIoU作为改进算法的边界框回归损失函数,自适应地向上加权高IoU对象的损失和梯度,使得模型可以更加关注IoU高的目标,从而帮助提高定位精度。在工业相机成像的陶瓷表面缺陷数据集上进行测试,结果表明,与YOLOv5模型相比,基于α-CIoU的YOLOv5模型的平均精度均值(mAP50)和召回率(Recall)分别提升了2.3%、4.6%;改进算法的平均精度均值(mAP50)、精确率(Precision)、召回率(Recall)分别提升了3.9%、1.7%、5.1%。