针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目...针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目标特征的关注度。采用动态蛇形卷积(Dynamic Snake Convolution,DSConv)替换主干网络中的部分C3模块,有效提升了微弱特征的提取能力。通过采用归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)优化的EIoU(Efficient Intersection over Union)损失函数降低了对小目标位置偏差的敏感性,提高了小目标的检测性能。引入解耦头优化模型头部,解决了分类与回归任务间的冲突,从而减少了错检和漏检情况的发生,提升了小目标的分类和定位准确性。在NEU-DET(Northeastern University Detection)数据集上的实验验证了所提算法的有效性,其平均精度均值(mean Average Precision,mAP)为80.4%,较原始算法提升了5%,且保持61.72 frame·s^(-1)的检测速度。结果表明,改进算法在检测速度和精度方面均优于其他对比算法,证明了其在高效检测小目标钢材表面缺陷方面的优越性。展开更多
针对现有钢材表面缺陷检测方法准确率不高、识别速度慢等问题,文中提出了一种基于改进YOLOv5s(You Only Look Once version 5s)的缺陷检测方法。为了实现对图像重要区域信息的关注以及提高模型对目标缺陷的学习能力,在主干特征提取网络...针对现有钢材表面缺陷检测方法准确率不高、识别速度慢等问题,文中提出了一种基于改进YOLOv5s(You Only Look Once version 5s)的缺陷检测方法。为了实现对图像重要区域信息的关注以及提高模型对目标缺陷的学习能力,在主干特征提取网络引入CBAM(Convolutional Block Attention Module)注意力机制。为了提高目标框的回归速度和定位的准确性,使用距离损失和宽高损失结合的EIoU(Efficient Intersection over Union)边界框损失函数计算损失值。通过迁移学习加快模型的收敛速度来提升模型对各类缺陷检测准确率。通过在数据集NEU-DET上的实验结果表明,相较原始YOLOv5s网络,改进YOLOv5s网络模型对该数据集的准确率提升了6.3百分点,召回率提升了9.2百分点,mAP(mean Average Precision)达到了81.7%,对于钢材表面缺陷检测具有良好的性能。改进YOLOv5s算法的钢材表面缺陷检测模型大小仅为13.8 MB,在确保实时性的基础上提升了检测精度,便于模型在实际应用中的部署。展开更多
文摘针对钢材表面缺陷检测中小目标特征提取难度高、精度不足以及错检与漏检问题,文中提出一种基于改进YOLOv5s(You Only Look Once version5s)模型的小目标检测算法。通过在主干网络中引入SE(Squeeze-and-Excitation)注意力机制增强对小目标特征的关注度。采用动态蛇形卷积(Dynamic Snake Convolution,DSConv)替换主干网络中的部分C3模块,有效提升了微弱特征的提取能力。通过采用归一化Wasserstein距离(Normalized Wasserstein Distance,NWD)优化的EIoU(Efficient Intersection over Union)损失函数降低了对小目标位置偏差的敏感性,提高了小目标的检测性能。引入解耦头优化模型头部,解决了分类与回归任务间的冲突,从而减少了错检和漏检情况的发生,提升了小目标的分类和定位准确性。在NEU-DET(Northeastern University Detection)数据集上的实验验证了所提算法的有效性,其平均精度均值(mean Average Precision,mAP)为80.4%,较原始算法提升了5%,且保持61.72 frame·s^(-1)的检测速度。结果表明,改进算法在检测速度和精度方面均优于其他对比算法,证明了其在高效检测小目标钢材表面缺陷方面的优越性。
文摘针对现有钢材表面缺陷检测方法准确率不高、识别速度慢等问题,文中提出了一种基于改进YOLOv5s(You Only Look Once version 5s)的缺陷检测方法。为了实现对图像重要区域信息的关注以及提高模型对目标缺陷的学习能力,在主干特征提取网络引入CBAM(Convolutional Block Attention Module)注意力机制。为了提高目标框的回归速度和定位的准确性,使用距离损失和宽高损失结合的EIoU(Efficient Intersection over Union)边界框损失函数计算损失值。通过迁移学习加快模型的收敛速度来提升模型对各类缺陷检测准确率。通过在数据集NEU-DET上的实验结果表明,相较原始YOLOv5s网络,改进YOLOv5s网络模型对该数据集的准确率提升了6.3百分点,召回率提升了9.2百分点,mAP(mean Average Precision)达到了81.7%,对于钢材表面缺陷检测具有良好的性能。改进YOLOv5s算法的钢材表面缺陷检测模型大小仅为13.8 MB,在确保实时性的基础上提升了检测精度,便于模型在实际应用中的部署。
