基于多模态与自适应特征融合的钢材表面缺陷检测OA

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.