基于E-YOLOX的实时金属表面缺陷检测算法

摘要：

针对现有基于深度学习的金属表面缺陷检测方法存在泛化能力差、检测速度低等问题,提出一种新的检测算法 E-YOLOX.该算法采用新的特征提取网络 ECMNet,并使用深度卷积减少网络参数;以线性逆瓶颈残差网络提升特征提取能力,在正向传播过程中保留更多高维张量内的流形分布于低维子空间的关键特征;以扩张跨阶段局部网络结构多样化神经网络的梯度流路径,使深层神经网络更高效地学习和收敛.同时,提出一种新的数据增强方法边缘Cutout,在训练过程中自适应生成掩膜覆盖图像的随机区域,提升网络的检测和泛化能力.实验结果表明,E-YOLOX-l在铝型材表面缺陷数据集AL6-DET上检测精度达到了 77.2%的mAP,在钢材表面缺陷数据集GC10 上检测精度达到了 36.8%的mAP,较基准模型YOLOX-l分别提高 3.6%和 1.7%,同时参数量减少 55%,计算量减少 49%,检测速度达到 57 FPS,提高了 21 FPS.与相关算法对比,该算法取得较高的检测精度,且在精度和速度之间达到较好的均衡.

关键词：金属表面、缺陷检测、深度学习、YOLOX、轻量级网络、数据增强

所属期刊栏目：44

分类号：TP391(计算技术、计算机技术)

在线出版日期：2023-08-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共14页

页码：677-690