HyperDefect-YOLO: 基于超图计算提升 YOLO 的工业缺陷检测
计算机视觉与模式识别
2024-12-06 v1
摘要
在制造业中，缺陷检测是旨在检测生产过程中产生缺陷的关键但具有挑战性的任务。尽管传统 YOLO 模型在缺陷检测方面表现良好，但仍局限于捕捉高阶特征间关系，阻碍在复杂场景和跨尺度条件下的缺陷检测。为此，我们将超图计算引入 YOLO 框架，称为 HyperDefect-YOLO（HD-YOLO），以提高特征表示能力和语义利用效率。HD-YOLO 的骨干网络中包含 Defect Aware Module（DAM）和 Mixed Graph Network（MGNet），专用于感知和提取缺陷特征。为有效聚合多尺度特征，我们提出了 HyperGraph Aggregation Network（HGANet），其结合了超图和注意力机制来聚合多尺度特征。我们提出了 Cross-Scale Fusion（CSF），用于适应性地融合和处理特征，区别于简单的拼接和卷积。最后，我们在颈部提出了 Semantic Aware Module（SAM），以增强对不同尺寸缺陷在扰动背景中的语义利用，以实现精确定位。HD-YOLO 在公开的 HRIPCB 和 NEU-DET 数据集上经过严格评估，显著优于当前最先进的方法。我们还在自建的 MINILED 数据集上进行评估，该数据集来自实际工业场景，以演示所提出方法的有效性。源代码位于 https://github.com/Jay-zzcoder/HD-YOLO。
引用
@article{arxiv.2412.03969,
title = {HyperDefect-YOLO: Enhance YOLO with HyperGraph Computation for Industrial Defect Detection},
author = {Zuo Zuo and Jiahao Dong and Yue Gao and Zongze Wu},
journal= {arXiv preprint arXiv:2412.03969},
year = {2024}
}
备注
under review