文献类型：期刊文章

作　　者：刘俊豪[1] 王美林[1] 谢兴[1] 宋烨兴[1] 许莉花[2]

LIU Junhao;WANG Meilin;XIE Xing;SONG Yexing;XU Lihua(School of Information Engineering,Guangdong University of Technology,Guangzhou 510006,China;School of Mechanical and Electrical Engineering,Xichang University,Xichang 615000,Sichuan,China)

机构地区：[1]广东工业大学信息工程学院,广州510006 [2]西昌学院机械与电气工程学院,四川西昌615000

出　　处：《计算机工程》

基　　金：国家自然科学基金(U1701266,62002069);广东省科技计划(2019A050513011);广州市科技计划(202002030386)。

年　　份：2023

卷　　号：49

期　　号：8

起止页码：240-249

语　　种：中文

收录情况：AJ、BDHX、BDHX2020、CAS、CSCD、CSCD_E2023_2024、IC、JST、RCCSE、SCOPUS、UPD、ZGKJHX、核心刊

摘　　要：皮革瑕疵检测是工业皮革生产行业中质量控制的重要环节,针对工业皮革瑕疵在线检测中存在计算复杂度高、对小目标检测效果差、数据样本少等问题,提出一种基于注意力机制的轻量化皮革瑕疵检测算法GPC-YOLOv5。使用工业相机采集瑕疵图片并对其进行标注,制作瑕疵数据集,利用YOLOv5s模型进行目标检测。使用ImgAug数据增强技术扩充原始数据集的数量,并在训练过程中结合Mosaic数据增强方法解决数据样本少的问题。在YOLOv5的基础上,使用轻量化的GhostNet模块替换主干网络和颈部的卷积模块,有效减少模型的参数量和计算量,通过改进激活函数减少网络复杂度并加快计算速度,以满足实时性需求。在主干网络中加入新型注意力机制Polarized Self-Attention模块,增强网络对于小目标瑕疵的特征提取能力。实验结果表明,相比YOLOv5,GPC-YOLOv5算法的参数量和计算量分别减少25.4%和28.5%,总体mAP达到89.2%,能够有效提高检测精度并加快检测速度。

关 键 词：皮革瑕疵  轻量型YOLOv5算法  注意力机制  深度学习  目标检测

分 类 号：TP391.41]