钢材表面的缺陷检测是提高钢材质量的前提,针对现有钢材表面缺陷检测方法准确率不高,识别速度慢等缺陷,提出一种基于改进YOLOv5s的缺陷检测方法.为了达到对图像重要区域信息的的关注,提高模型对目标缺陷的学习能力,在主干特征提取网络(Backbone)引入ODConv(Omni-Dimensional Dynamic Convolution)全维动态卷积;为了提高目标框的回归速度和定位的准确性,使用具有动态非单调聚焦机制的WIoU(Wise Intersection over Union)边界框损失函数;并通过在主干网络添加新的特征提取层,从而增加检测头,提升模型对各类缺陷检测准确率和召回率,改善了缺陷检测中漏检的情况.通过在数据集NEU-DET上的实验结果表明:改进后的YOLOv5s网络模型对此数据集的准确率较原始YOLOv5s网络提升了2.9％,召回率提升了2.3％,mAP达到了72.3％,对于钢材表面缺陷检测有良好的性能;改进YOLOv5s算法的钢材表面缺陷检测模型大小仅14.2 MB,在实时性的基础上提升检测精度,便于模型在实际应用中的部署.
万方数据
维普
