摘要
针对已有目标检测算法在缺陷检测方面识别精度低、泛化能力差的问题,提出一种基于改进YOLOv5s的包装盒缺陷检测方法.首先,针对包装盒缺陷特征复杂难以识别分类的问题,主干特征提取网络CSPDarknet结构替换为Swin-Transformer结构,提高模型对缺陷特征信息的获取能力和检测精度;其次,在预测端加入Dropout和Label smoothing正则化方法,解决破损包装盒图像中不同缺陷特征交叉分布导致模型识别能力差的问题.试验结果表明,改进后YOLOv5s模型检测精度平均精度均值mAP提升了10.7％,测试时,能有效检测出更多的包装盒缺陷.该模型在包装盒缺陷检测识别任务中检测精度提高,误检率和漏检率降低,有效提高了模型泛化能力.
维普
万方数据