典型文献
基于改进YOLOv5的金属工件表面缺陷检测
文献摘要：
目的 针对金属工件表面小尺寸缺陷检测精度低的问题,提出以YOLOv5网络为基础,结合注意力机制与Ghost卷积的表面缺陷检测算法.方法 首先,在原网络中增加SE通道注意力模块,增加缺陷有关信息的权重,减少无用特征的干扰,从而提高目标的检测精度.然后,将网络中空间金字塔池化模块的池化方式由最大池化替换为软池化,使得在下采样激活映射中保留更多的特征信息,获得更好的检测精度.最后,采用Ghost卷积块替换主干网络中的常规卷积模块,提取丰富特征及冗余特征,以此提高模型效率.结果 改进后网络平均精度均值达到0.9978,相比原网络提高了7.07个百分点.结论 该网络显著提高了金属工件表面缺陷检测的精度.
文献关键词：
表面缺陷检测;YOLOv5模型;通道注意力;软池化;Ghost卷积
中图分类号：
作者姓名：
王一;龚肖杰;程佳;苏皓
作者机构：
华北理工大学 电气工程学院,河北 唐山 063210;唐山市金属构件产线智能化技术创新中心, 河北 唐山 063210;唐山市半导体集成电路重点实验室,河北 唐山 063210
文献出处：
引用格式：
[1]王一;龚肖杰;程佳;苏皓-.基于改进YOLOv5的金属工件表面缺陷检测)[J].包装工程,2022(15):54-60
A类：
软池化
B类：
YOLOv5,金属工件,工件表面,表面缺陷检测,小尺寸,检测精度,注意力机制,Ghost,检测算法,SE,通道注意力模块,无用,中空,空间金字塔池化,金字塔池化模块,最大池化,下采样,射中,特征信息,主干网络,卷积模块,冗余特征,平均精度均值,百分点
AB值：
0.282005
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。
