为了提高工业产品表面缺陷的检测精度,提出了一种基于改进YOLOv5的表面缺陷检测方法。首先,结合MixUp、Mosaic和传统方法进行数据增强,修改YOLOv5残差单元,降低模型的浮点计算量;其次,将压缩激励(squeeze-and-excitation,SE)注意力机制...为了提高工业产品表面缺陷的检测精度,提出了一种基于改进YOLOv5的表面缺陷检测方法。首先,结合MixUp、Mosaic和传统方法进行数据增强,修改YOLOv5残差单元,降低模型的浮点计算量;其次,将压缩激励(squeeze-and-excitation,SE)注意力机制插入特征提取层末端和颈部首端,去除特征图中无用的背景干扰,提高对特征的提取效率;最后,在颈部末端,插入上下文变化(contextual transformer,CoT)模块,提高平均检测精度。使用改进的形状交并比非极大值抑制(shape-intersection over union non-maximum suppression,SIoU-NMS),剔除重复目标框。实验结果表明,在新材料地板缺陷数据集和瓶装白酒缺陷数据集上,所提算法的平均检测精度为81.2%和79.7%,较YOLOv5基线网络模型,分别提高了3.8%和4.6%,且优于其他典型的目标检测算法。这展现了该算法对工业产品表面缺陷进行识别和分类的精确性,可以更好地完成工业产品的质检过程。展开更多
文摘为了提高工业产品表面缺陷的检测精度,提出了一种基于改进YOLOv5的表面缺陷检测方法。首先,结合MixUp、Mosaic和传统方法进行数据增强,修改YOLOv5残差单元,降低模型的浮点计算量;其次,将压缩激励(squeeze-and-excitation,SE)注意力机制插入特征提取层末端和颈部首端,去除特征图中无用的背景干扰,提高对特征的提取效率;最后,在颈部末端,插入上下文变化(contextual transformer,CoT)模块,提高平均检测精度。使用改进的形状交并比非极大值抑制(shape-intersection over union non-maximum suppression,SIoU-NMS),剔除重复目标框。实验结果表明,在新材料地板缺陷数据集和瓶装白酒缺陷数据集上,所提算法的平均检测精度为81.2%和79.7%,较YOLOv5基线网络模型,分别提高了3.8%和4.6%,且优于其他典型的目标检测算法。这展现了该算法对工业产品表面缺陷进行识别和分类的精确性,可以更好地完成工业产品的质检过程。
