基于SDD-YOLO的轻量级带钢缺陷实时检测算法

摘要

针对复杂工业生产环境下,热轧带钢的表面缺陷检测准确率低,网络模型参数量过大,难以部署等问题,该文提出一种基于YOLOv4模型改进的轻量级带钢缺陷实时检测算法SDD-YOLO。所提算法在特征提取部分采用GhostNet网络,压缩模型参数量;在特征融合部分,借鉴BiFPN结构改进PAN网络,采用GSConv卷积代替标准卷积,减少模型参数量和计算量,同时嵌入注意力模块CA(Coordinate Attention),增强模型特征融合能力;在预测部分采用SIOU-loss代替CIOU-loss,提高模型收敛效率,加快收敛速度;采用k-means聚类算法重新设计先验框,提高模型精度。实验结果表明,该文提出的模型相较于YOLOv4,模型参数量减少71.6%,浮点运算量降低74.6%,模型大小减小71.6%,检测精度提高3.49%,单张图片检测速度为25.9 ms。在保证准确率和检测速度的条件下,基本可以满足工业现场对缺陷的实时检测要求。