融合注意力机制与特征融合网络的轻量化木板缺陷检测方法
计算机视觉与模式识别
2023-06-22 v1 人工智能
摘要
近年来，深度学习在木板缺陷检测中取得了显著进展。然而，仍存在检测精度低、检测速度慢以及难以在嵌入式设备上部署等挑战。为克服这些问题，我们提出一种名为 YOLOv5-LW 的轻量化木板缺陷检测方法，其融合了注意力机制与特征融合网络。首先，为增强对合格缺陷的检测能力，我们引入多尺度双向特征金字塔网络（MBiFPN）作为特征融合网络。MBiFPN 减少了特征损失，丰富了局部与细节特征，并提升了模型对合格缺陷的检测能力。其次，为实现轻量化设计，我们重构 ShuffleNetv2 网络模型作为骨干网络。该重构在保持性能的同时减少了参数量与计算需求。我们还引入 Stem Block 与快速空间金字塔池化（SPPF）模型，以弥补轻量化设计带来的精度损失，确保模型检测能力完好且计算高效。第三，我们通过引入高效通道注意力（ECA）增强骨干网络，提升网络对缺陷检测关键信息的关注。通过关注本质特征，模型更擅长准确识别与定位缺陷。我们使用自主开发的木板缺陷数据集验证所提方法。实验结果表明改进的 YOLOv5-LW 方法有效。相较于原始模型，我们的方法达到了 92.8% 准确率，参数量减少 27.78%，计算量压缩 41.25%，检测推理速度提升 10.16%。
引用
@article{arxiv.2306.12113,
title = {Lightweight wood panel defect detection method incorporating attention mechanism and feature fusion network},
author = {Yongxin Cao and Fanghua Liu and Lai Jiang and Cheng Bao and You Miao and Yang Chen},
journal= {arXiv preprint arXiv:2306.12113},
year = {2023}
}