余龙飞, 刘业峰, 何增鹏, 马祎航
YOLOv5模型存在特征信息提取不足、传递易丢失和表达能力弱等缺陷。结合NEU-DET数据集中带钢缺陷目标小、不规则以及图片质量差的特点,提出一种改进的YOLOv5带钢表面缺陷检测算法。采用第二版的可变形卷积网络(deformable convolution network version 2,DCNv2)代替YOLOv5中Neck部分的常规卷积,提高模型对不规则小目标的特征识别;将残差网络(residual network, ResNet)引入快速空间金字塔池化(spatial pyramid pooling fast, SPPF)结构形成SPPF_Res模块,替换原模块,且引入YOLOv5的Neck部分,改善模型在信息传递时的丢失问题;将空间注意力(spatial attention, SA)与协调注意力(coordinate attention, CA)并联为CAS注意力模块,使改进模块在关注不同通道关系的同时又能利用空间信息学习提升模型的特征表达能力。将改进模型在NEU-DET数据集上训练后,测得其检测精度为77.4%,较原YOLOv5模型提升7.4%,说明改进算法有效。