基于改进YOLOv5算法的钢材表面缺陷检测

摘要

针对单阶段检测网络YOLOv5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,提出一种改进YOLOv5的钢材表面缺陷检测算法。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。