-
题名基于YOLOv5-CBAM模型的划痕智能检测
- 1
-
-
作者
朱哲维
李珂
匡璐
曹国栋
刘紫权
史旭阳
-
机构
西南科技大学信息工程学院
成都市公安局科技信息化处
西南科大四川天府新区创新研究院
-
出处
《无线电工程》
2024年第12期2789-2799,共11页
-
基金
四川省科技计划(2024NSFSC2040)
教育部高校产学研创新基金(2023IT257)
+1 种基金
成都市技术创新研发项目(2024-YF05-01130-SN)
西南科技大学博士基金项目(23zx7136,23zx7135)。
-
文摘
带钢作为现代钢铁产业的核心产品,划痕检测对于确保产品质量、提升生产效率和降低成本至关重要,广泛应用于汽车制造、金属加工、电子产品生产等领域。然而,划痕形态各异且易受光照、背景和噪声等因素影响,使得检测任务极具挑战性。近年来,随着空间数据智能技术的不断进步,基于深度学习的目标检测算法(如Faster R-CNN、SSD、YOLO等)在检测任务中表现出色,通过自动学习、特征检测和精准目标定位,在复杂背景下也能准确检测。基于YOLOv5模型进行了算法结构的改进,将空间金字塔池化(Spatial Pyramid Pooling,SPP)模块替换为快速空间金字塔池化(Spatial Pyramid Pooling-Fast,SPPF)模块,引入注意力机制,改进现有的目标检测算法,提升划痕检测的准确性和鲁棒性。结合卷积块注意力机制模块(Convolutional Block Attention Module,CBAM)构建了YOLOv5-CBAM模型。CBAM通过关注通道和空间维度上的信息,使模型更精准地聚焦于划痕区域,提升了检测效果。实验结果显示,YOLOv5-CBAM模型在各类交并比(Intersection over Union,IoU)阈值下相较于YOLOv5,精确率、召回率和mAP@0.5有着较好的表现,分别提升了5.6%、9.1%和5.9%。随着空间数据智能技术的不断进步,未来有望为划痕检测提供更多创新思路和解决方案。
-
关键词
划痕检测
YOLOv5
卷积块注意力机制模块
模型构建与训练
-
Keywords
scratch detection
YOLOv5
CBAM
model construction and training
-
分类号
TP315
[自动化与计算机技术—计算机软件与理论]
-
