基于Efficient-YOLO的轻量化轴承缺陷检测

作     者：娄瑶迪 岳俊峰 周迪斌 刘文浩 LOU Yao-Di;YUE Jun-Feng;ZHOU Di-Bin;LIU Wen-Hao

作者机构：杭州师范大学信息科学与技术学院杭州311121 

基　　金：国家自然科学基金联合重点项目(U21A20466) 

出 版 物：《计算机系统应用》 (Computer Systems & Applications)

年 卷 期：2024年第33卷第2期

页      码：265-275页

摘      要：针对现有深度模型在工业轴承外观缺陷检测领域,存在模型参数量大、特征融合不充分以及对小目标检测精度低等问题,提出了一种轻量化自适应特征融合检测网络(Efficient-YOLO).首先,该网络采用嵌入CBAM注意力机制的EfficientNetV2结构进行基本特征提取,便于确保模型精度同时显著优化模型参数量;其次,设计了一种自适应特征融合网络(CBAM-BiFPN),用来增加网络对有效特征信息的提取;接着,在下游特征融合网络引入Swin Transformer机制,同时配合上游网络引入的Ghost卷积,大幅度提高模型对轴承外观缺陷的全局感知能力;最后,在推理阶段运用改进的非极大值抑制方法(Soft-CIoU-NMS),加入距离有关的权重评价因素,减少了重叠框的漏检.实验结果表明:与现有主流检测模型相比,此方法在轴承表面缺陷数据集上,mAP达到了90.1%,参数量降低至1.99M,计算量为7 GFLOPs,对轴承缺陷小目标识别率显著提升,满足工业现场轴承外观缺陷检测需求.

主 题 词：轴承缺陷检测 深度学习 EfficientNetV2 YOLOv5 特征融合 

学科分类：08[工学] 080203[080203] 0802[工学-机械学] 080201[080201] 

D　O　I：10.15888/j.cnki.csa.009406

馆 藏 号：203125211...