针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题,提出了一种基于RTDETR(real-time detection Transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分...针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题,提出了一种基于RTDETR(real-time detection Transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分卷积,增强对小目标的特征提取能力;构建双重多尺度特征融合模块,有效捕获全局语义信息与细节特征,解决目标尺度变化大的问题;设计全局多尺度注意力机制,替代AIFI(attentionbased intra-scale feature interaction)模块中的多头注意力机制,提高模型在复杂背景和多尺度目标场景中的鲁棒性和精确度。在金属表面缺陷数据集上,HAS-DETR在mAP50和mAP50-95上分别较RT-DETR提升了6.5%和4.5%;在公开ADPPP数据集上,mAP50提升了2%,mAP50-95提升了1.3%。实验结果表明:HAS-DETR在保持较高检测效率的同时,有效提升了在复杂背景中对小目标的检测精度,具有良好的实际应用前景。展开更多
文摘针对金属表面缺陷检测任务中检测目标小、尺度变化大、背景复杂等问题,提出了一种基于RTDETR(real-time detection Transformer)的改进模型——HAS-DETR(high accurancy for small object-DETR)。HAS-DETR通过在骨干网络中引入复合差分卷积,增强对小目标的特征提取能力;构建双重多尺度特征融合模块,有效捕获全局语义信息与细节特征,解决目标尺度变化大的问题;设计全局多尺度注意力机制,替代AIFI(attentionbased intra-scale feature interaction)模块中的多头注意力机制,提高模型在复杂背景和多尺度目标场景中的鲁棒性和精确度。在金属表面缺陷数据集上,HAS-DETR在mAP50和mAP50-95上分别较RT-DETR提升了6.5%和4.5%;在公开ADPPP数据集上,mAP50提升了2%,mAP50-95提升了1.3%。实验结果表明:HAS-DETR在保持较高检测效率的同时,有效提升了在复杂背景中对小目标的检测精度,具有良好的实际应用前景。
