科研之友
微信
新浪微博
Facebook
分享链接
摘要
为解决连铸坯表面缺陷类别多、特征差异大造成的检测精度低、误检漏检和难以实时检测等问题，提出一种基于改进YOLOv5s的面向连铸坯表面缺陷分形特征检测算法(FN-YOLOv5)，以实现连铸坯表面缺陷的快速、精确、智能化检测。首先，在YOLOv5s模型多尺度特征融合网络引入压缩与激励注意力机制，实现特征权重自适应调整；其次，采用BiFPN网络替换原始网络结构，提高模型多尺度特征融合能力；最后，基于Swin Transformer引入C3STR模块，增强模型密集目标信息捕获能力。面向连铸坯表面缺陷数据集和经典开源热轧带钢缺陷数据集NEU-DET的实验结果表明，FN-YOLOv5算法在两个数据集的平均检测精确率分别达到0.786和0.784，较YOLOv5s算法分别提高5.4%和4.7%，检测速度分别为91.74帧每秒和88.64帧每秒。在满足实际应用需求基础上，验证了检测精度和普适性能力的提升，与其他经典目标检测算法相比，FN-YOLOv5整体表现更出色均衡，为钢铁冶金领域智能化无损检测提供技术参考。
-
单位西安建筑科技大学; 机电工程学院; 中国重型机械研究院股份公司
