钢铁零件表面缺陷检测的改进YOLOv5-FGC识别算法  

Improved YOLOv5-FGC Recognition Algorithm for Surface Defect Detection on Steel Parts

作　　者：刘宁 欧阳泽 马文源 陈松 罗姚 LIU Ning;OUYANG Ze;MA Wen-yuan;CHEN Song;LUO Yao

机构地区：[1]重庆科技学院机械与动力工程学院,重庆401331

出　　处：《制造业自动化》2024年第12期24-33,共10页Manufacturing Automation

基　　金：重庆市教育委员会科学技术研究项目(KJZD-M202001502);重庆市高等教育教学改革研究重点项目(202077)。

摘　　要：针对传统YOLOv5算法在钢铁零件表面缺陷检测过程中存在诸多难分类样本,全局特征提取不足导致检测精度较低等问题,提出了一种基于YOLOv5-FGC的钢铁零件表面缺陷检测方法。该方法引入Focal-EIOU Loss替换预测框回归的CIOU损失函数,提高了模型的收敛速度和准确率,使边框回归更为精准;在Backbone中加入全局注意力机制(Global Attention Mechanism,GAM),提高全局特征提取能力,对空间和通道中的重要特征进行强化;通过加入C2f模块增加网络模型的梯度路径,让网络能够提取更多的特征,加强了特征提取的鲁棒性,提高了网络对钢铁零件缺陷的检测精度。对比试验以及消融实验表明,改进后的YOLOv5-FGC算法在NEU-DET数据集中的裂纹、夹杂、斑块、压入氧化皮、麻点、划痕六类缺陷中检测的平均精度达到了78.2%,在YOLOv5原始网络模型基础上mAP值提高了4.7%,对比Faster RCNN模型提高了36.7%,FPS达到了91帧/s,能够快速、准确的对钢铁零件表面缺陷进行检测。

关 键 词：钢铁零件表面缺陷 YOLOv5 Focal-EIOU Loss 全局注意力机制 C2f 

分 类 号：TP391.4[自动化与计算机技术—计算机应用技术]