基于改进YOLOv5的皮革瑕疵检测算法

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

所属期刊栏目：49

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金;广东省科技计划;广州市科技计划

在线出版日期：2023-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：240-249