基于Lite-YOLOv5s模型的刨花板表面缺陷检测方法
针对目前刨花板表面缺陷检测两阶段方法计算量大、机器学习识别方法鲁棒性低等问题,提出一种基于改进YOLOv5s的轻量化检测模型,即Lite-YOLOv5s.首先,在主干网络和颈部网络中引入Ghost Bottleneck模块以减少模型参数量,降低模型计算成本.其次,在主干网络中增加坐标注意力机制(coordinate attention,CA),并将空间金字塔池化模块(spatial pyramid pooling-fast,SPPF)替换为简化空间金字塔池化模块(simplify spatial pyramid pooling-fast,SimSPPF),保证模型在降低计算量的同时仍具有较好的检测效果.最后,在替换颈部网络中使用深度卷积模块(depth wise convolution,DWConv),进一步优化模型运行成本.应用Lite-YOLOv5s模型对某工厂刨花板四种表面缺陷数据集进行模型训练和验证,并将训练的模型用于刨花板图像的缺陷检测,结果表明:Lite-YOLOv5s模型针对刨花、胶斑、油污及粉尘斑四种缺陷的平均检测精度(mean average precious,mAP)可达90%以上,针对样本数量较少的漏芯缺陷mAP为75%以上;与原YOLOv5s模型相比,模型训练时间减少约3.58%,模型参数量下降约63.5%,模型权重文件大小下降约60.54%,模型浮点计算量下降约65.2%,在保证检测精度的前提下有效降低了模型运行成本,使其更容易部署在资源有限的边缘侧设备中.
刨花板、表面缺陷检测、图像、Lite-YOLOv5s、轻量化、深度学习
37
S781;TP391.41(森林采运与利用)
2023-08-07（万方平台首次上网日期，不代表论文的发表时间）
共10页
58-67
