文献类型：期刊文章

作　　者：于海涛[1] 李福龙[1] 刘亚姣[1] 王江[1] 于利峰[2] 张春晖[2] 刘宝顺[2] 马永福[2]

YU Haitao;LI Fulong;LIUYajiao;WANG Jiang;YU Lifeng;ZHANG Chunhui;LIU Baoshun;MAYongfu(School of Electrical and Information Engineering,Tianjin University,Tianjin 300072,China;Hebei Jinxi Iron and Steel Group,Tangshan,Hebei 063000,China)

机构地区：[1]天津大学电气自动化与信息工程学院,天津300072 [2]河北津西钢铁集团股份有限公司,河北唐山063000

出　　处：《计算机工程与应用》

基　　金：天津市自然科学基金(19JCYBJC18800)。

年　　份：2022

卷　　号：58

期　　号：11

起止页码：250-259

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、核心刊

摘　　要：针对型钢表面缺陷种类多样、微小缺陷占比较大导致的检测效率低、检测精度差的问题,提出了一种基于双重多尺度注意力机制的表面缺陷检测方法DMSA-YOLOv3,实现型钢表面多尺度缺陷快速精确检测。构建了基于通道和空间的双重多尺度注意力模型DMSA,对不同尺度特征进行筛选融合,强化小尺度缺陷的特征权重;改进了YOLOv3模型,使用深度可分离卷积对DarkNet53特征提取主干网络实现轻量化处理,提高检测速度,并构建多尺度长距离上下文特征提取层,使用4种不同扩张率的并行空洞卷积替代全局池化,提高模型对小尺寸缺陷的特征提取能力;构建了融合DMSA模型和改进YOLOv3模型的DMSA-YOLOv3缺陷检测模型,并应用于型钢表面多尺度缺陷检测。实验结果表明:DMSA-YOLOv3模型具有97.6%的多类别平均检测精度和55.3 frame/s的检测速度,与YOLOv3模型相比分别提升了4.7个百分点和24.5 frame/s;最小可检出20×20像素(约10×10 mm^(2))缺陷,与YOLOv3模型相比提高了6.25倍,有效提升了型钢表面缺陷的检测精度与检测速度。

关 键 词：型钢 缺陷检测  注意力机制  YOLOv3模型  

分 类 号：TP391.04]