摘要：针对钢卷端面纹理复杂、缺陷较小,以及YOLOv7算法识别速度较慢、小目标检测率较低等问题,提出一种改进的YOLOv7目标检测算法。对YOLOv7算法骨干网络中的ELAN结构进行改进,通过加入PConv卷积层设计了一种新的结构,以减少模型复杂度,提高模型的检测速度。由于小目标检测中容易出现漏检的现象,设计一种新的注意力机制CSCA,提高网络对小尺度目标的敏感度。在此基础上,使用WIoUv2损失函数替换原YOLOv7算法网络中的CIoU损失函数来优化损失函数,提高网络的鲁棒性。在自制的钢卷端面缺陷数据集上进行试验,结果表明改进的YOLOv7算法的mAP@0.5提升了4.1%,FPS提升了10.84 f/s,检测效果优于原算法。

摘要：为提高热轧板材表面检测的速度以及检测的精度,提出一种改进的YOLOv7-BRS目标检测算法。首先,对YOLOv7中ELAN结构进行改进,提出一种新型计算模块BRConv,使用深度可分离卷积并添加多分支的跳跃连接方式来减小模型复杂度,实现模型轻量化并提高检测速度;其次,设计了一种新型多尺度识别的注意力机制,拥有不同的感受野,进一步提高模型对不同尺度重要特征的提取能力;最后,对损失函数进行改进,引入角度损失概念,重新定义了惩罚指标,提升模型训练时的收敛速度以及准确性。实验表明,改进后的模型体积减小了36%,在NEU-DET数据集上mAP提高了7.3%,FPS提高了14.4。相比于目前主流算法,检测精度和速度都有显著提高,并且体积更小,能够有效完成板材表面缺陷检测任务。

摘要：针对工业上铝型材表面缺陷检测速度慢,小目标缺陷如擦花、漆泡等检测精度低的问题,提出一种基于改进YOLOv8n的铝型材表面小目标缺陷检测模型。首先,采用跨尺度特征融合,通过融合不同尺度的特征,提升网络对多尺度信息的感知能力。其次,对YOLOv8骨干网络C2f结构进行改进,通过加入RFAConv注意力卷积设计了一种新的结构,以加强网络特征提取能力,提高小目标检测精度。在颈部使用轻量级RepGhost模块,以降低参数数量和计算量。最后,采用WIoUV3替换原YOLOv8模型中CIoU损失函数,以提高检测精度和收敛速度。在铝型材表面缺陷数据集上进行大量实验,实验结果表明改进模型mAP@0.5提升2.5%、帧率达到了110 fps,权重文件大小降低16.2%,检测效果优于原模型。此外,在VOC2012数据集和东北大学热轧带钢表面缺陷数据集上表明改进算法有良好的鲁棒性,改进模型满足工业上铝型材检测要求。

摘要：针对钢轨表面缺陷区域与背景区域特征相似特性导致的模型检测性能下降问题,本文研究高实时性轻量级目标检测网络YOLOv8n,提出一种基于YOLO的多模态钢轨表面缺陷检测算法RailBiModal-YOLO。改进YOLOv8n模型:构建双流主干网络结构并行提取多尺度深度信息和RGB信息;为降低低质量图像特征相互干扰并能充分利用双模态互补信息,设计了一种即插即用的双模态特征交互修正融合模块;在多尺度特征构建阶段引入EVCBlock,增强RGB-D特征层的层内信息交互,提高小缺陷检测能力。以东北大学NEU-RSDDS-AUG作为实验数据集,将数据集自定义划分为4种典型缺陷类型,以平均精度均值mAP、每秒检测帧数FPS、参数量作为主要评价指标,实验结果表明:所提模型与原模型相比,在保证高检测速度的同时,mAP@50,mAP@50:95分别提高1.8%和3.2%,并具有更强鲁棒性。