基于改进YOLOv7的表面缺陷检测研究

摘要

工业生产过程中,产品表面经常会出现一些缺陷,产品表面的缺陷会影响产品的美观度、舒适度与使用性能。因此,解决传统产品表面缺陷检测方法检测准确率低的问题的关键在于检测缺陷,针对该问题提出了一种基于改进的YOLOv7的表面缺陷检测算法。通过DCNv2对主干网络进行改进,在卷积过程中引入可变形卷积,在捕捉特征时可以对感受野进行动态调整,从而更好地适应不规则形状的缺陷,并提高检测精度和鲁棒性。通过引入极化自注意力机制,可以更好地捕捉特征之间的长距离依赖关系,并加强对重要特征的关注和利用,从而提高检测准确性和鲁棒性。通过归一化Wasserstein距离对原损失函数进行优化,能够更好地处理不均匀类别分布的问题,并在训练过程中平衡不同类别之间的权重,从而提高模型对各种缺陷类型的检测效果。经过以上技术改进,实验结果表明,改进后的模型具有更高的性能和可靠性,能够以更高的准确率在工业生产过程中进行缺陷检测。基于实验,在GC10-DET数据集上取得了70.4%的准确率,优于其他现有模型。