基于通道洗牌的深度学习快速金属表面缺陷检测
计算机视觉与模式识别
2024-06-24 v1
摘要
深度学习在近年来不断取得进步，越来越多的研究者致力于缺陷检测算法的研究。对小型复杂目标的检测和识别仍是一个亟待解决的问题。本研究旨在 presenting an improved defect detection model for detecting small and complex defect targets in steel surfaces。由于机械力和环境因素的作用，钢带表面会产生缺陷，因此对此类缺陷的检测是高品质产品制造的关键。此外，钢带表面的缺陷会造成巨大的经济损失。迄今为止，很少有研究探讨了识别缺陷的方法，而且大多数现有算法都不够有效。因此，本文提出一种改进的实时金属表面缺陷检测模型，基于 You Only Look Once (YOLOv5)，专为小型网络设计。对于目标的小型特征，常规部分被替换为深度可分离卷积和通道洗牌机制。随后，对特征金字塔网络 (FPN) 输出特征赋予权重并融合，可增加特征传播和网络特征表达能力。实验结果表明，改进的提出模型在准确率和检测时间方面均优于其他可比模型。该模型在东北大学数据集 NEU-DET 上的精度达到 77.5%，在 GC10-DET 数据集上达到 70.18%。
引用
@article{arxiv.2406.14582,
title = {Faster Metallic Surface Defect Detection Using Deep Learning with Channel Shuffling},
author = {Siddiqui Muhammad Yasir and Hyunsik Ahn},
journal= {arXiv preprint arXiv:2406.14582},
year = {2024}
}