文献类型：期刊文章

作　　者：蒋博[1] 万毅[1] 谢显中[2]

JIANG Bo;WAN Yi;XIE Xianzhong(School of Communication and Information Engineering,Chongqing University of Posts and Telecommunications,Chongqing 400065,China;Graduate School,Chongqing University of Posts and Telecommunications,Chongqing 400065,China)

机构地区：[1]重庆邮电大学通信与信息工程学院,重庆400065 [2]重庆邮电大学研究生院,重庆400065

出　　处：《计算机科学》

年　　份：2023

卷　　号：50

期　　号：S02

起止页码：259-265

语　　种：中文

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

摘　　要：针对现有钢材表面缺陷检测模型结构复杂、参数量多、检测精度和实时性较差等问题,提出了一种改进YOLOv5s的轻量化钢材表面缺陷检测模型。首先采用MobileNetv3-Small网络替换YOLOv5s主干提取网络,实现模型轻量化,提升检测速度;其次在特征融合阶段采用加权双向特征金字塔网络(Bidirectional Feature Pyramid Network,BiFPN)加强特征提取,通过融合不同尺度的特征,提升检测的准确率和鲁棒性。同时引入CBAM(Convolutional Block Attention Module)注意力机制增强模型对小尺度目标的检测能力;最后使用K-means++算法聚类先验框,提高先验框聚类的准确性和收敛速度。改进后的模型在NEU-DET数据集上的平均精度均值(mAP@0.5)达到77.2%,在NVIDIA 1080Ti上检测速度达到102FPS。相较于原始YOLOv5s模型,mAP提升3.90%,参数量减少58.6%,体积减小34%,检测速度提升29.7%。实验结果表明改进的YOLOv5s模型在保证轻量化的同时能够有效提升钢材表面缺陷检测的精度和速度,易于部署,满足带钢实际生产中的需求。

关 键 词：缺陷检测  YOLOv5s  轻量化 MobileNetv3-Small  BiFPN  CBAM K-means++  

分 类 号：TP391]