针对传统YOLOv5算法在钢铁零件表面缺陷检测过程中存在诸多难分类样本,全局特征提取不足导致检测精度较低等问题,提出了一种基于YOLOv5-FGC的钢铁零件表面缺陷检测方法.该方法引入Focal-EIOU Loss替换预测框回归的CIOU损失函数,提高了模型的收敛速度和准确率,使边框回归更为精准;在Backbone中加入全局注意力机制(Global Attention Mechanism,GAM),提高全局特征提取能力,对空间和通道中的重要特征进行强化;通过加入C2f模块增加网络模型的梯度路径,让网络能够提取更多的特征,加强了特征提取的鲁棒性,提高了网络对钢铁零件缺陷的检测精度.对比试验以及消融实验表明,改进后的YOLOv5-FGC算法在NEU-DET数据集中的裂纹、夹杂、斑块、压入氧化皮、麻点、划痕六类缺陷中检测的平均精度达到了78.2％,在YOLOv5原始网络模型基础上mAP值提高了4.7％,对比Faster R-CNN模型提高了36.7％,FPS达到了91帧/s,能够快速、准确的对钢铁零件表面缺陷进行检测.
万方数据
维普
