摘要
随着人工智能、深度学习等新技术的不断推广和应用，钢材表面缺陷检测技术进一步向智能化、自动化、数字化方向发展，基于深度学习的钢材表面缺陷检测技术正逐步成为研究的热点之一。 本文结合钢材表面缺陷存在的关键性问题，基于深度学习技术，采用YOLOv5为基础模型进行优化改进，旨在提高钢材表面缺陷检测的准确率和效率。实验采用两种公开钢材数据集（NEU-DET、GC10-DET）验证改进模型对钢材表面缺陷检测的有效性，并采用公共典型的目标数据集PASCALVOC2012验证模型的泛化能力。本文主要研究成果如下： 残差与注意力机制结合的多层融合网络：针对原始YOLOv5模型的特征提取能力不足、模型感受野受限以及特征融合不充分等问题，提出一种残差与注意力机制结合的多层融合检测算法。该方法构造一种带残差边的SPP_Res特征金字塔结构，加快模型的训练速度，增强模型的特征提取能力；加入多头注意力机制（C3_MHSA），优化了网络结构，专注全局感受野，提取更加丰富的目标特征；引入多层特征融合机制，进一步融合浅层与深层特征，兼顾到更多的位置、语义、细节信息，提高网络对钢材表面缺陷的检测精度。实验结果表明，改进后的YOLOv5网络模型具有良好地检测性能，在NEU-DET数据集上的mAP达到了74.1%，相比原始YOLOv5网络提升了3.4%，较YOLOX提升4.0%，较YOLOv3提升了8.6%，较SSD算法提升了23.4%。检测速度优于其他主流算法，且在保持原检测速度基本不变的情况下，能够快速准确地对钢材表面缺陷进行检测。 融合SwinTransformer和解耦头的轻量化网络：残差与注意力机制结合的多层融合网络尽管在检测精度上有所提高，但在提升速度与降低模型参数量方面并无建树。针对这一问题，提出一种融合SwinTransformer和解耦头的轻量化网络模型（SGD-YOLOv5），该模型通过引入SwinTransformer模块替换结合主干网络部分的C3模块，促进全局和局部信息交互，增强特征提取能力；采用轻量级网络GhostNet改进模型颈部网络结构，实现模型结构轻量化；解耦头（DecoupledHead）结构将分类和回归任务进行分离，大大加快了模型的收敛速度，且提升了检测效果。实验结果表明，新模型在GC10-DET数据集上mAP达到70.9%，相较于原始YOLOv5网络模型，mAP提升1.6%，参数量减少28.3%，检测速度提高16.6FPS，对钢材表面缺陷实现了更高精度、更快速度、更轻量化的检测。
NETL