基于改进YOLOv5的推力球轴承表面缺陷检测算法

作者：袁天乐; 袁巨龙^*; 朱勇建; 郑翰辰

来源：浙江大学学报(工学版), 2022, 56(12): 2349-2357.

• 深度学习
• 推力球轴承
• YOLOv5
• Transformer
• 注意力机制
• 表面缺陷检测

为了提高推力球轴承表面缺陷检测的精确率和召回率，增强模型抗干扰能力，提出自动提取检测区域预处理和改进Transformer中的多头自注意力机制模块.在特征网络引入所提模块，忽略无关噪声信息而关注重点信息，提升中小表面缺陷的提取能力.使用实例归一化代替批量归一化，提高模型训练时的收敛速度和检测精度.结果表明，在推力球轴承表面缺陷检测数据集中，改进YOLOv5模型的准确率达到87.0%，召回率达到83.0%，平均精度达到86.1%，平均每张图片检测时间为14.96 ms.相比于YOLOv5s模型，改进模型的准确率提升1.5%，召回率提升7.3%，平均精度提升7.9%.与原模型相比，改进YOLOv5模型有更好的缺陷定位能力和较高的准确度，能够减小检测过程中的异物对检测结果造成的干扰，检测速度满足工业大批量检测的要求.

• 单位
  浙江科技学院; 浙江工业大学