基于改进YOLOv7的液压阀块表面微小缺陷检测

摘要：

针对液压阀块表面缺陷尺寸微小、对比度低、周围干扰信息多导致的漏检率高、识别准确率低等问题,提出一种基于改进YOLOv7的液压阀块表面微小缺陷检测算法.在多尺度特征融合模块后引入CA注意力机制来提高对微小缺陷特征信息的关注度.使用改进的UpC多支路上采样结构代替多尺度特征融合模块中的最近邻插值上采样UpSampling模块,以丰富微小缺陷的特征信息.利用改进的ELAN-RepConv结构代替多尺度特征融合模块中的ELAN_2结构,使模型在训练过程中可以学习到更多的特征信息.为了进一步提高算法的鲁棒性与收敛速度,使用离线数据增强融合Mosaic数据增强的数据增广技术与K-means++锚框聚类算法来提高算法性能.实验结果表明:该算法在液压阀块表面微小缺陷数据集中平均精度达到97.6%,较原YOLOv7算法提高8.4个百分点,检测速度达到55.2 frame/s;相较于YOLOv7系列中检测精度最高的YOLOv7-E6E算法,该算法在参数量减少75.4%的情况下,平均精度值提高1.8个百分点.所提算法在保证实时性的前提下能够有效提高检测精度.

关键词：YOLOv7算法、液压阀块、缺陷检测、深度学习、注意力机制

所属期刊栏目：49

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划;江苏省重点研发计划

在线出版日期：2023-11-16（万方平台首次上网日期，不代表论文的发表时间）

页数：共9页

页码：302-310