为解决传统纸张表面缺陷检测人工依赖强、原始YOLOv5(You Only Look Once version 5)模型轻量化不足、多尺度缺陷检测精度低等问题,提出融合分组可分离卷积(Group Shuffle Convolution, GSconv)与双向加权特征金字塔网络(Bi-directional...为解决传统纸张表面缺陷检测人工依赖强、原始YOLOv5(You Only Look Once version 5)模型轻量化不足、多尺度缺陷检测精度低等问题,提出融合分组可分离卷积(Group Shuffle Convolution, GSconv)与双向加权特征金字塔网络(Bi-directional Feature Pyramid Network, BIFPN)的改进YOLOv5检测模型,构建纸张表面缺陷在线检测系统。模型通过GSconv替代骨干网络中的传统卷积实现轻量化,引入BIFPN强化多尺度特征融合,同时结合锚框优化与卷积块注意力模块提升小目标检测能力。实验结果显示,与原YOLOv5相比,改进模型骨干网络的参数减少28.3%,计算量降低31.5%;小目标缺陷检测精度提升12.3%,m AP达94.7%,较原始YOLOv5提升7.6%;推理速度达65 FPS,较原始模型提升32.1%。该系统满足了工业在线检测的实时性与精度需求,为纸张质量控制提供了新的技术支撑。展开更多
文摘为解决传统纸张表面缺陷检测人工依赖强、原始YOLOv5(You Only Look Once version 5)模型轻量化不足、多尺度缺陷检测精度低等问题,提出融合分组可分离卷积(Group Shuffle Convolution, GSconv)与双向加权特征金字塔网络(Bi-directional Feature Pyramid Network, BIFPN)的改进YOLOv5检测模型,构建纸张表面缺陷在线检测系统。模型通过GSconv替代骨干网络中的传统卷积实现轻量化,引入BIFPN强化多尺度特征融合,同时结合锚框优化与卷积块注意力模块提升小目标检测能力。实验结果显示,与原YOLOv5相比,改进模型骨干网络的参数减少28.3%,计算量降低31.5%;小目标缺陷检测精度提升12.3%,m AP达94.7%,较原始YOLOv5提升7.6%;推理速度达65 FPS,较原始模型提升32.1%。该系统满足了工业在线检测的实时性与精度需求,为纸张质量控制提供了新的技术支撑。
