基于多模态与自适应特征融合的钢材表面缺陷检测  

作　　者：郑贵君 邹伯昌 马瑞 

机构地区：[1]山东未来网络研究院紫金山实验室工业互联网创新应用基地,山东济南250000

出　　处：《物联网技术》2025年第7期20-26,31,共8页Internet of things technologies

摘　　要：针对钢材表面不同类型缺陷的形状、深度差异以及尺寸偏小导致的缺陷检测性能不足,造成检测准确率偏低的问题,提出一种基于YOLOv5的多模态与自适应特征融合的钢材表面缺陷检测算法;采用多信息关联金字塔池化单元,结合空洞卷积与特征注意力机制,增大目标感受野进行特征多模态融合,提高特征融合能力;针对小目标,采用多尺度特征融合双塔模块获取更多深层信息,自适应累积注意力权重影响因子,在保留更多深层特征信息的前提下,提高深层特征对浅层特征的影响力,从而提高小目标检测精度;引入轻量化卷积C3单元,提出混合深度可分离机制,以解决原始模型以及改进单元带来的计算负担,提高模型的检测效率。实验结果表明,改进的检测模型比原始YOLOv5模型的检测性能高5个百分点,检测速度FPS值高28.6帧/s;在公开数据集NEU-DET上,改进算法的性能相较前沿算法提高0.9个百分点,检测速度比前沿算法快1.2倍;在GC10-DET数据集上,改进算法的性能相较前沿算法提高0.5个百分点,检测效率提高1.09倍。改进后的算法在保证检测速度的同时能够提高检测准确度。

关 键 词：钢材缺陷检测 轻量化 多尺度特征融合 累积注意力 YOLOv5 数据集 

分 类 号：TP39[自动化与计算机技术—计算机应用技术] TN391.41[自动化与计算机技术—计算机科学与技术]