改进YOLOv5的织物疵点检测算法

摘要：

针对目前应用到织物疵点检测的网络模型中存在的两阶段算法检测速度慢、一阶段算法检测精度低的问题,提出了一种改进YOLOv5的织物疵点检测算法.针对织物疵点大小不一的问题,对K-mean算法的聚类距离标准进行修改,重新计算先验框大小;对网络Neck层标准卷积(standard convolution,SC)进行改进,将深度分离卷积(depth separation convolution,DSC)与标准卷积结合,减少网络层参数量,同时保持网络的特征提取能力;在特征融合阶段引入坐标注意力机制(coordinate attention,CA),使网络能够捕捉各通道之间联系的同时保留目标的精确定位信息,加强网络的特征提取和定位能力;使用加权双向特征金字塔网络(bidirectional feature pyramid network,BiFPN)中的方法,对特征金字塔模块进行修改,实现简单快速的多尺度特征融合.在数据集上进行训练,结果表明,改进的YOLOv5模型的mAP值可达到97.4％,相比于原网络精度提高了2.8个百分点,满足了织物疵点检测的要求.

关键词：织物疵点检测、YOLOv5、注意力机制、特征融合

所属期刊栏目：59

分类号：TP391(计算技术、计算机技术)

资助基金：陕西省教育厅科研计划项目;中国纺织工业联合会科技指导性项目

在线出版日期：2023-05-30（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：244-252