融合特征增强的轻量化罐道缺陷检测算法

作者：赵佰亭; 吴俊东^*; 贾晓芬

来源：电子测量与仪器学报, 2023, 37(06): 159-168.

DOI：10.13382/j.jemi.B2306325

• 罐道缺陷
• 特征融合
• 目标检测
• YOLOv5s
• 轻量化

为了解决矿井复杂环境下，缺陷特征提取不充分问题，融合特征增强和级联注意力机制提出一种快速智能的罐道缺陷识别算法RDM-YOLOv5,旨在解决人工巡检效率低的现状。首先，为了提高主干网络特征图信息表征能力，设计特征增强模块RLKM,它通过重参数化大内核卷积增强主干网络对目标特征的提取能力，并且有效降低模型参数量；然后，经过主干网络提取到高低层级特征后，由设计的级联注意力机制DCAM进一步挖掘缺陷目标的深层语义信息，显著增强小目标的特征信息；最后，为提升检测精度的同时保障检测网络的轻量化，在特征增强网络中引入轻量级卷积GSConv,在保持模型检测准确性的同时降低计算成本。实验结果表明，相较于YOLOv5s, RDM-YOLOv5的检测精度和速度分别提高3.7%、11.4%,模型参数量减少15.4%。它能基本满足实际应用中精准识别和快速定位罐道表面缺陷的需求。

• 单位
  安徽理工大学