钢材表面缺陷检测的YOLOv5s算法优化研究

TP391; 针对YOLOv5对钢材缺陷复杂特征提取能力不足且检测结果易受背景环境干扰等问题,提出一种基于YOLOv5s的钢材表面缺陷检测算法.该算法在Backbone的核心特征提取模块C3中引入CBAM注意力,提升Backbone层对于关键信息的关注度;利用CARAFE替换最近邻插值算法,降低了上采样操作对于特征信息造成的损失;提出用融合跨阶段局部网络的金字塔池化结构SPPCPSC替换YOLOv5中的SPPF,提升网络的表达能力和感知能力.实验结果表明,提出YOLOv5s改进模型在NEU-DET数据集上的mAP@0.5达到了76.6%,比YOLOv5s提升2.3个百分点,模型参数量与基线模型...

Full description

Saved in:
Bibliographic Details
Published in计算机工程与应用 Vol. 60; no. 7; pp. 306 - 314
Main Authors 徐洪俊, 唐自强, 张锦东, 朱沛华
Format Journal Article
LanguageChinese
Published 国网江苏省电力工程咨询有限公司,南京 210000%同济大学 土木工程学院,上海 200000%石家庄铁道大学 安全工程与应急管理学院,石家庄 050043 01.04.2024
Subjects
注意力机制
特征提取
defect detection
YOLOv5
attention mechanism
feature extraction
spatial pyramid pooling-cross stage partial channel(SPPCSPC)
跨阶段局部通道金字塔池化结构(SPPCSPC)
缺陷检测
Online AccessGet full text
ISSN1002-8331
DOI10.3778/j.issn.1002-8331.2307-0275

Cover

More Information
Summary:TP391; 针对YOLOv5对钢材缺陷复杂特征提取能力不足且检测结果易受背景环境干扰等问题,提出一种基于YOLOv5s的钢材表面缺陷检测算法.该算法在Backbone的核心特征提取模块C3中引入CBAM注意力,提升Backbone层对于关键信息的关注度;利用CARAFE替换最近邻插值算法,降低了上采样操作对于特征信息造成的损失;提出用融合跨阶段局部网络的金字塔池化结构SPPCPSC替换YOLOv5中的SPPF,提升网络的表达能力和感知能力.实验结果表明,提出YOLOv5s改进模型在NEU-DET数据集上的mAP@0.5达到了76.6%,比YOLOv5s提升2.3个百分点,模型参数量与基线模型基本一致,而CARAFE是导致改进模型检测速度降低的主要原因.除此,实验结果还发现CARAFE与SPPCSPC_group组合使用,对于模型的检测准确度有良好的提升作用.
ISSN:1002-8331
DOI:10.3778/j.issn.1002-8331.2307-0275