热钢的表面缺陷检测基于多级特征融合和注意力机制残留块的注意力机制
Hongkai Zhang1,2, Suqiang Li1, Qiqi Miao1
1School of Electronic and Information Engineering, Anhui Jianzhu University, Hefei, 230601, China.
Scientific reports
|April 1, 2024
概括
本研究引入了一种改进的YOLOv5模型,用于检测热钢带的表面缺陷,增强特征提取和集成,以获得更好的精度和定位. 新方法显著提高了工业应用中的缺陷检测性能.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机视觉和图像处理
- 人工智能和机器学习
背景情况:
- 热钢带的表面缺陷对质量控制构成挑战.
- 现有的方法在缺陷检测方面的特征提取和集成不足而扎.
- 高精度的缺陷分类和定位对于工业应用至关重要.
研究的目的:
- 提出一个改进的YOLOv5网络,以加强热钢带的表面缺陷检测.
- 为了提高缺陷分类和定位的精度.
- 开发一个更具竞争力和适用于现实世界的生产环境的解决方案.
主要方法:
- 使用了改进的YOLOv5网络架构.
- 实施了多级特征融合 (MSF) 战略,以整合浅层和深层特征.
- 引入了CSPLayer Res2Attention块 (CRA块),以最大限度地减少特征传输期间的信息丢失,并增强细粒度特征提取.
主要成果:
- 在NEU-DET数据集上实现了78.5%的平均精度 (mAP),在GC10-DET数据集上达到67.3%,分别超过了4.9%和2.1%的基线.
- 与现有方法相比,证明了卓越的精度和定位能力.
- 在APDDD数据集上获得了59.2%的mAP,表明其广泛适用性.
结论:
- 提议的改进的YOLOv5方法显著提高了热钢带表面缺陷检测的准确性和精度.
- 整合MSF和CRA块有效地解决了特征提取和整合方面的局限性.
- 该方法显示出在工业质量检查系统中实际实施的巨大潜力.
