基于YOLOv5s的钢铁表面缺陷检测算法

作     者：张瑞芳 伏铭强 程小辉 ZHANG Rui-fang;FU Ming-qiang;CHEN Xiao-hui

作者机构：广西高校先进制造与自动化技术重点实验室(桂林理工大学)桂林541006 桂林理工大学机械与控制工程学院桂林541006 桂林理工大学信息科学与工程学院桂林541006 

出 版 物：《科学技术与工程》 (Science Technology and Engineering)

年 卷 期：2024年第24卷第23期

页      面：9980-9988页

学科分类：1305[艺术学-设计学（可授艺术学、工学学位）] 13[艺术学] 081104[工学-模式识别与智能系统] 08[工学] 0804[工学-仪器科学与技术] 081101[工学-控制理论与控制工程] 0811[工学-控制科学与工程] 

基　　金：国家自然科学基金(61662917) 广西科技计划重点研发项目(桂科AB17195042) 广西中青年教师基础能力提升项目(2018KY0248,2020KY06026) 广西建筑新能源与节能重点实验室项(桂科能15-J-21-1) 

主　　题：钢铁表面缺陷 YOLOv5s 注意力机制 BIFPN C2f 

摘      要：为改善因小目标检测效果差而导致的钢铁表面缺陷检测精度差的问题,以YOLOv5s为基础,通过在主干网络添加注意力机制(attention mechanism,SE),将C2f模块代替C3模块,将双向特征金字塔网络(bidirectional feature pyramid network,BIFPN)网络代替颈部网络中的路径聚合网络(path aggregation network,PAN)网络的这三种方法来提升模型对缺陷小目标的检测能力。旨在提升检测精度并达到实时检测要求。结果表明,改进后的YOLOv5s-SCB算法在NEU-DET(northeastern university-detect)上的均值平均精度(mean average precision,mAP)值达到77.9%,在达到实时检测的前提下,相较于YOLOv5s网络提高了3.7%,与其余基于YOLOv5s改进的算法及YOLOv8相比,YOLOv5s-SCB实现了更好的检测效果。可见本文提出的钢铁表面缺陷检测算法YOLOv5S-SCB可以更好地完成钢铁表面缺陷检测。