基于轻量化快速卷积与双向加权特征融合网络的船舶裂纹检测

作者：王冲^*; 朱玉辉

来源：中国舰船研究, 2023, 1-13.

DOI：10.19693/j.issn.1673-3185.03401

• 船舶裂纹检测
• 深度学习
• 轻量化快速卷积
• 注意力机制
• 特征融合
• 数据增强

[目的]针对人工目视与超声波方法的船舶裂纹检测存在效率低下、成本高昂和危险性高的特点，提出一种基于深度学习的船舶裂纹检测方法。[方法]首先，在YOLOv5s的主干网络中使用轻量化卷积结构（GSConv）替代标准卷积并融入注意力机制，在降低主干网络参数量与计算量的同时，提升主干网络对裂纹特征的提取能力；然后，在网络的颈部（Neck）使用基于PConv构建的C3＿Faster替代原C3模块，提升模型的图像处理速度，增强模型快速性；最后，设计一种简化的双向加权特征融合网络（BiFFN）以改进原模型（YOLOv5s）中的特征聚合网络，提升裂纹的语义信息与位置信息的融合效果，以及模型对裂纹的识别准确度与定位精度。[结果]通过对船舶裂纹原始数据与增强数据的学习，所提方法实现了94.11%的检测精确度和93.50%的召回率，模型的计算量降低了17.93%，参数量降低了15.81%。[结论]研究表明，基于轻量化快速卷积与双向加权特征融合网络（MLF-YOLO）的船舶裂纹检测方法，实现了模型轻量化与较高的检测精确度和召回率，结果可为开发自主无人机船舶检测提供参考。

• 单位
  武汉理工大学