文献类型：期刊文章

作　　者：马燕婷[1] 赵红东[1,2] 阎超[1] 封慧杰[1] 于快快[3] 刘赫[4]

Ma Yanting;Zhao Hongdong;Yan Chao;Feng Huijie;Yu Kuaikuai;Liu He(School of Electronic and Information Engineering,Hebei University of Technology,Tianjin 300401,China;Key Laboratory of Optoelectronic Information Control and Security Technology,Tianjin 300308,China;The 53rd Research Institute of China Electronics Technology Group Corporation,Tianjin 300308,China;Tianjin Jinwo Energy Technology Company Limited,Tianjin 300382,China)

机构地区：[1]河北工业大学电子信息工程学院,天津300401 [2]光电信息控制和安全技术重点实验室,天津300308 [3]中国电子科技集团公司第五十三研究所,天津300308 [4]天津金沃能源科技有限公司,天津300382

出　　处：《电子测量与仪器学报》

基　　金：天津市科技计划项目(企业科技特派员项目)(21YDTPJC00050);光电信息控制和安全技术重点实验室基金项目(2021JCJQLB055008)资助。

年　　份：2022

卷　　号：36

期　　号：8

起止页码：150-157

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、EAPJ、JST、RCCSE、ZGKJHX、核心刊

摘　　要：带钢表面缺陷检测已成为保证带钢生产质量的重要环节之一。针对当前带钢缺陷检测算法精度有待提高等问题,提出了一种基于YOLOv5网络改进的算法模型MT-YOLOv5。首先在主干网络中引入Transformer自注意力机制,使主干网络更聚焦于图像全局特征信息的提取;其次采用T-BiFPN网络结构,将Transformer层与BiFPN网络结构相结合,进一步增强了图像浅层特征信息与深层特征信息的融合;然后引入改进后的轻量化网络RepVGG替换主干网络中的部分卷积层,增强主干网络的特征提取能力;最后增加预测层,检测不同尺度的目标。实验结果表明,MT-YOLOv5算法在NEU-DET数据集上的均值平均精度(mAP)达到了82.4%,较原YOLOv5s算法提高了5.3%,检测速度为65.4 fps,更好地均衡了检测速度与检测精度。

关 键 词：缺陷检测  多尺度特征融合  TRANSFORMER RepVGG  

分 类 号：TN98] TP391.4]