基于扩展跨阶段局部网络的表面缺陷检测

作者：曹桢淼; 吉卫喜; 苏璇; 张贇; 王凯

来源：计算机集成制造系统, 2021, 1-13.

• 深度学习
• 卷积神经网络
• 跨阶段局部网络
• 缺陷检测

工业生产中，表面缺陷检测设备常因硬件计算资源有限而存在性能瓶颈，针对检测中高实时性与高精确度的权衡问题，建立一种基于扩展跨阶段局部网络的表面缺陷检测模型。首先，基于扩展跨阶段局部网络算法和YOLOv5s模型，构建可上下缩放且适用于不同规模网络的YOLOv5s-P系列模型，将网络颈部CSP化提高模型特征提取能力；其次，采用SoftPool下采样方法对颈部SPP模块进行结构和参数优化，并引入深度可分离卷积使模型轻量化的同时避免精度损失。实验表明，在DAGM 2007表面缺陷数据集上获得96.1%的mAP，较原模型在检测精度上提升5%、参数量降低了1.7%，同时部署到边缘设备Raspberry Pi4B上时检测速度为4FPS。

• 单位
  江南大学