文献类型：期刊文章

作　　者：曹义亲[1] 伍铭林[1] 徐露[2]

CAO Yi-qin;WU Ming-lin;XU Lu(College of software,East China Jiaotong University,Nanchang Jiangxi 330013,China;School of Electromechanical Engineering,Jiangxi V&T College of Communications,Nanchang Jiangxi 330013,China)

机构地区：[1]华东交通大学软件学院,江西南昌330013 [2]江西交通职业技术学院机电工程学院,江西南昌330013

出　　处：《图学学报》

基　　金：国家自然科学基金项目(61861016);江西科技支撑计划重点项目(20161BBE50081)。

年　　份：2023

卷　　号：44

期　　号：2

起止页码：335-345

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2023_2024、JST、ZGKJHX、核心刊

摘　　要：针对单阶段检测网络YOLOv5的特征提取能力不足、模型感受野受限以及特征融合不充分等问题,提出一种改进YOLOv5的钢材表面缺陷检测算法。该方法构造一种带残差边的SPP_Res特征金字塔结构,加快模型的训练速度,增强模型的特征提取能力;加入多头注意力机制(C3_MHSA),优化了网络结构,专注全局感受野,提取更加丰富的目标特征;引入多层特征融合机制,进一步融合浅层与深层特征,兼顾到更多的位置、语义、细节信息,提高网络对钢材表面缺陷的检测精度。实验结果表明,改进后的YOLOv5网络模型具有良好地检测性能,在NEU-DET数据集上的mAP达到了74.1%,相比原始YOLOv5网络提升了3.4%,较YOLOX提升4.0%,较YOLOv3提升了8.6%,较SSD算法提升了23.4%。检测速度优于其他主流算法,且在保持原检测速度基本不变的情况下,能够快速准确地对钢材表面缺陷进行检测。

关 键 词：YOLOv5  SPP_Res  多头注意力机制  多层融合  缺陷检测  

分 类 号：TP391]