改进YOLOv7算法的钢材表面缺陷检测研究

来源：计算机工程与应用杂志2024年第7期北京时间：

作者：高春艳, 秦燊, 李满宏, 吕晓玲

单位：河北工业大学 机械工程学院，天津 300401

摘要：当前，基于深度学习的智能检测技术逐步应用于钢材表面缺陷检测领域，针对钢材表面缺陷检测精度低的问题，提出一种高精度实时的缺陷检测算法CDN-YOLOv7。加入CARAFE轻量化上采样算子来改善网络特征融合能力，融合级联注意力机制和解耦头重新设计YOLOv7检测头网络，旨在解决原始头网络特征利用效率不高的问题，使其充分利用各尺度、通道、空间的多维度信息，提升复杂场景下模型表征能力。引入归一化Wasserstein距离重新设计Focal-EIoU损失函数，提出NF-EIoU替换CIoU损失，平衡各尺度缺陷样本对Loss的贡献，降低各尺度缺陷的漏检率。实验结果表明，CDN-YOLOv7的检测精度可达80.3%，较于原YOLOv7精度提升了6.0个百分点，模型推理速度可达60.8帧/s，满足实时性需求，CDN-YOLOv7在提升各尺度缺陷检测精度的同时显著降低了缺陷的漏检率。

关键词：机器视觉,钢材表面,缺陷检测,CDN-YOLOv7