SLGA-YOLO:一种基于融合增强注意力机制和自我架构的轻量级件表面缺陷检测方法
1School of Artificial Intelligence, Anhui University of Science and Technology, Huainan 232001, China.
Sensors (Basel, Switzerland)
|July 13, 2024
概括
这项研究介绍了SLGA-YOLO,这是用于造表面缺陷检测的高效算法. 它提高了准确性和计算效率,这对于制造业的自动化质量控制至关重要.
科学领域:
- 机器视觉 机器视觉 机器视觉
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 件的表面缺陷检测对于自动化质量控制至关重要.
- 现有的目标检测算法在计算效率和准确性方面扎.
研究的目的:
- 开发一个高效和准确的算法,用于造表面缺陷检测.
- 在计算效率和缺陷检测准确度方面克服当前方法的局限性.
主要方法:
- 提出了一种融合增强的注意力机制和自我架构的轻量级YOLO (SLGA-YOLO).
- 集成的SlimNeck,简化注意力模块 (SimAM) 和大可分离内核注意力 (LSKA).
- 使用了GhostConvML (GCML) 模块和一个Alpha-EIoU损失函数.
主要成果:
- 在平均检测准确度上提高了3% (mAP@0.5).
- 平均检测准确度 (mAP@0.5:0.95) 提高了1.6%.
- 显著降低计算复杂性和内存使用量.
结论:
- 拟议的SLGA-YOLO算法提高了造表面缺陷检测的准确性和效率.
- 融合增强的注意力机制和新型模块有助于提高性能.
- 这种方法为制造业的自动化质量检查提供了有前途的解决方案.
更多相关视频
08:25Combining Eye-tracking Data with an Analysis of Video Content from Free-viewing a Video of a Walk in an Urban Park Environment
Published on: May 7, 2019
9.0K
08:27Author Spotlight: Efficient Image Recognition Using Directional Gradient Histogram Technique and Support Vector Machines
Published on: January 5, 2024
1.0K
