基于目标识别的钢材缺陷检测方法

摘要：

为实现热轧钢板表面缺陷检测,设计一个端到端的缺陷检测算法YOLOv5-MD.为达到各种样本数量均衡分布,使用数据增强算法对钢材缺陷数据集处理,使用通道混洗模块缓解特征融合中计算量的占用问题;引入注意力机制和加权边界框融合(weighted-boxes-fusion,WBF)消除重叠度较高的预测框;在PANet(path aggregation network)模块中添加残差的跳跃结构并提取多尺度特征来获取更多的细节图像信息.经实验结果验证,所提模型的平均检测精度(mean ave-rage precision,mAP)可达97.2％,相较于YOLOv5提高了10％左右,检测速度和YOLOv5持平,是Faster RCNN的7.1倍,是SSD的1.7倍,验证了该方法的可行性、有效性.

关键词：缺陷检测、聚类、数据精准增强、通道转换卷积、注意力机制、加权边界框融合、路径聚合网络

所属期刊栏目：43

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

在线出版日期：2022-10-25（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：2977-2983