典型文献
基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别
文献摘要：
针对人工检测桥梁表面缺陷存在精度低、速度慢和漏检率高等问题,该文提出了基于深度卷积生成式对抗网络(deep convolutional generative adversarial networks,DCGAN)和改进YOLOv5s的桥梁表面缺陷检测识别模型.首先,通过DCGAN网络对自主采集的桥梁表面缺陷图像进行数据增强,建立每类缺陷样本数量较为均衡的数据集;其次,在YOLOv5s模型基础上嵌入CBAM注意力机制模块,使模型将注意力集中于缺陷区域,从而提升图像分类的准确率;最后,为验证所提方法的适用性,将包含4类桥梁表面缺陷的数据集进行训练与测试.实验结果表明:该文提出的模型在桥梁表面缺陷检测上的准确率为92％,相比其他深度学习模型具有更高的检测精度和鲁棒性.
文献关键词：
表面缺陷检测;深度卷积生成式对抗网络;注意力机制;YOLOv5s
中图分类号：
作者姓名：
何金宝;胡秋宝;付志超;赖毅;刘知远
作者机构：
江西省港口集团有限公司,江西 南昌 330008;江西省路港检测中心有限公司,江西 南昌 330200
文献出处：
引用格式：
[1]何金宝;胡秋宝;付志超;赖毅;刘知远-.基于DCGAN和改进YOLOv5s的桥梁表面缺陷检测识别)[J].江西师范大学学报（自然科学版）,2022(06):655-660
A类：
B类：
DCGAN,YOLOv5s,表面缺陷检测,检测识别,速度慢,漏检率,深度卷积生成式对抗网络,deep,convolutional,generative,adversarial,networks,识别模型,数据增强,每类,样本数量,CBAM,注意力机制模块,图像分类,深度学习模型,检测精度
AB值：
0.291078
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
