基于注意力机制与YOLOv5融合的树脂拉链缺陷检测算法研究

摘要：

针对传统的树脂拉链缺陷人工检测存在的效率低和劳动强度大等问题,本文将YOLOv5算法与注意力机制(convolutional block attention module,CBAM)相结合,对树脂拉链缺陷检测算法进行研究,给出了算法的结构原理,并对树脂拉链缺陷进行检测试验.采集带有坏齿、边缘、内部、挤出、开裂和污染的树脂拉链图像,建立数据集并据此标注.同时,利用数据集对YOLOv5网络模型进行训练,并选择900张树脂拉链缺陷图像进行测试.测试结果表明,不同树脂拉链缺陷的检测准确率不同,模型对坏牙、边缘、内部、挤压、开裂和污染6种树脂拉链缺陷的识别率分别达到99％,100％,100％,100％,100％和99％,检测目标的置信度范围为0.82～0.99,检测准确率较高,效果较好,证明模型测试的精确率达到100％,召回率达到100％,平均准确率达到98％,证明了本文方法的可行性和有效性.本文算法可实现对常见树脂拉链缺陷的检测、分类及定位.该研究对提升树脂拉链制造行业的生产效率具有一定的成效.

关键词：缺陷检测、YOLOv5、树脂拉链、深度学习、注意力机制

所属期刊栏目：38

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2023-09-25（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：23-29