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
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。
