基于改进 YOLOv5 的铝型材瑕疵检测算法

来源：计算机技术与发展杂志2023年第10期北京时间：

作者：刘柱;董琴*;杨国宇;陈朝峰

单位：盐城工学院 信息工程学院,江苏 盐城 224001 Author(s): LIU Zhu;DONG Qin* ;YANG Guo-yu;CHEN Chao-feng School of Mechanical Engineering,Yancheng Institute of Technology,Yancheng 224001,China 关键词: YOLOv5;铝型材;注意力机制;瑕疵检测;损失函数;锚框 Keywords: YOLOv5;aluminum profiles;attention mechanism;defect detection;loss function;anchor 分类号: TP391 DOI: 10. 3969 / j. issn. 1673-629X. 2023. 10. 028 摘要: 基于铝型材表面瑕疵类别多样,对实时检测快速精准的需求,提出一种基于改进 YOLOv5 的瑕疵检测算法。通过在原始骨干网络的基础上增加新检测层并使用 K-means++　算法改进锚框的生成方式,提升检测尺度,避免忽视低层语义信息。 对铝型材瑕疵数据集离线增强,丰富样本容量;在 Backbone 网络结构中融入新的卷积结构和 E -CBAM 注意力机制,提高网络的特征提取能力的同时降低冗余计算,提升模型检测性能;采用 EIoU Loss 作为整个网络结构的损失函数来加快收敛效率,解决难易样本不平衡的问题。 实验结果表明,在铝型材瑕疵数据集上将改进后 YOLOv5 检测模型与原始YOLOv5 模型进行比较,平均精度 mAP 提升 2. 9 百分点,召回率 Recall 提升 3. 9 百分点,速度 FPS 达至 45. 8,将近年来的代表性算法 YOLOv3、YOLOv4、SSD、Faster-rcnn 与改进后的检测算法在铝型材瑕疵数据集上进行性能比较,通过综合对比检测精度、检测速度等重要参数证明改进后的 YOLOv5 检测算法更好地兼顾了检测效率和检测精度。 所提方法满足了铝型材工厂生产现场瑕疵检测要求。

摘要：基于铝型材表面瑕疵类别多样,对实时检测快速精准的需求,提出一种基于改进 YOLOv5 的瑕疵检测算法。通过在原始骨干网络的基础上增加新检测层并使用 K-means++　算法改进锚框的生成方式,提升检测尺度,避免忽视低层语义信息。 对铝型材瑕疵数据集离线增强,丰富样本容量;在 Backbone 网络结构中融入新的卷积结构和 E -CBAM 注意力机制,提高网络的特征提取能力的同时降低冗余计算,提升模型检测性能;采用 EIoU Loss 作为整个网络结构的损失函数来加快收敛效率,解决难易样本不平衡的问题。 实验结果表明,在铝型材瑕疵数据集上将改进后 YOLOv5 检测模型与原始YOLOv5 模型进行比较,平均精度 mAP 提升 2. 9 百分点,召回率 Recall 提升 3. 9 百分点,速度 FPS 达至 45. 8,将近年来的代表性算法 YOLOv3、YOLOv4、SSD、Faster-rcnn 与改进后的检测算法在铝型材瑕疵数据集上进行性能比较,通过综合对比检测精度、检测速度等重要参数证明改进后的 YOLOv5 检测算法更好地兼顾了检测效率和检测精度。 所提方法满足了铝型材工厂生产现场瑕疵检测要求。

关键词：YOLOv5;铝型材;注意力机制;瑕疵检测;损失函数;锚框