改进YOLOv5算法的钢筋端面检测
钢筋是基建行业不可或缺的结构材料,无论是钢筋生产过程、还是施工现场,对钢筋进行准确计数是必不可少的环节.成捆钢筋存在端面密集、直径尺度不统一、端面边界粘连、端面与背景融合、端面之间存在遮挡等问题.针对上述问题,提出了一种改进的YOLOv5模型框架,以降低密集小目标漏检率、误检率.针对钢筋端面数据集稀缺、没有公开的大型数据集并且钢筋端面特征较弱的问题,自建了钢筋端面数据集,使用半自动标注法对数据集进行标注,并采用数据增强算法对钢筋端面数据集进行扩充.修改了YOLOv5中的主干网络,增加空间金字塔池(spatial pyramid pooling,SPP)和小目标检测层,以获取更大的特征图;使用特征金字塔模型(feature pyramid network,FPN)和路径聚合网络(path aggregation network,PAN)对多尺度特征图融合,提高密集小目标检测精度.在Data Fountain钢筋盘点竞赛数据集和自建钢筋数据集上设计了多组对照试验.实验结果表明,提出的改进算法YOLOv5-P2模型对钢筋端面的检测效果最佳,钢筋端面平均精度均值(mean average precision,mAP)达到了99.9％,相比于YOLOv3、YOLOv4、ScaledYOLOv4以及YOLOv5主流算法,模型的mAP分别提升了9.6％、7.9％、7.0％、1.1％,在工厂真实环境条件下进行测试时都有较稳定的表现,在测试集上相对于原始模型检测精度提升了2.1％.通过修改YOLOv5的主干网络中SPP模块位置和增加检测层都能够显著提升密集小目标检测精度,更好的提取到钢筋端面的边缘特征,取得99.9％的平均精度均值.
深度学习、YOLOv5、数据增强、钢筋计数、密集小目标检测、检测方法、卷积神经网络
31
TN253;TP311;TP18
国家自然科学基金62003191
2022-04-26（万方平台首次上网日期，不代表论文的发表时间）
共13页
68-80
