基于深度学习的小目标工件检测算法

来源：计算机技术与发展杂志2025年第02期北京时间：

作者：何梦珂;牟莉;李文卓

摘要：在工业生产领域中,为解决小目标工件在人工检测时所存在的漏检和误检等问题,提出了一种融合 RepViT 与 BiFormer 模块的深度学习算法,以显著提升小目标工件的检测准确性并且降低检测漏检率。 为加强模型对于主体特征的提取效果,首先采用 RepViT 架构对 YOLOv5s 的主干网络进行改进,以优化算法的整体检测性能。 然后,为了进一步提升模型对小目标工件特征的聚焦效果,引入一种自适应特征优化的注意力机制 BiFormer,以提高模型对关键特征的捕捉能力。 最后,使用 InnerIoU 对 YOLOv5s 的损失函数进行改进,通过优化损失计算以及加强内部边界框匹配来减少定位损失对模型的影响,进而提升对小目标工件的定位精度。 经过一系列实验测试,改进后的网络模型在检测精度、漏检率以及mAP@ 50 等方面都展现出了优越的性能。 与 YOLOv5s 相比,改进后的算法在精度方面提高了 7. 6 百分点,漏检率降低了 15. 6 百分点,mAP@ 50 提高了 9. 3 百分点。

关键词：小目标工件;深度学习;RepViT;BiFormer;损失函数