计算机工程

作者：季娟娟, 王佳, 陈亚杰, 卢道华

单位：1. 江苏科技大学 机械工程学院, 江苏 镇江 2121002. 中国船舶重工集团公司 上海船舶设备研究所, 上海 2000313. 江苏科技大学 海洋装备研究院, 江苏 镇江 212003

关键词：YOLOv7算法,液压阀块,缺陷检测,深度学习,注意力机制

基金：国家重点研发计划(2018YFC0309100); 江苏省重点研发计划(BE2022062)

针对液压阀块表面缺陷尺寸微小、对比度低、周围干扰信息多导致的漏检率高、识别准确率低等问题，提出一种基于改进YOLOv7的液压阀块表面微小缺陷检测算法。在多尺度特征融合模块后引入CA注意力机制来提高对微小缺陷特征信息的关注度。使用改进的UpC多支路上采样结构代替多尺度特征融合模块中的最近邻插值上采样UpSampling模块，以丰富微小缺陷的特征信息。利用改进的ELAN-RepConv结构代替多尺度特征融合模块中的ELAN_2结构，使模型在训练过程中可以学习到更多的特征信息。为了进一步提高算法的鲁棒性与收敛速度，使用离线数据增强融合Mosaic数据增强的数据增广技术与K-means++锚框聚类算法来提高算法性能。实验结果表明：该算法在液压阀块表面微小缺陷数据集中平均精度达到97.6%，较原YOLOv7算法提高8.4个百分点，检测速度达到55.2 frame/s；相较于YOLOv7系列中检测精度最高的YOLOv7-E6E算法，该算法在参数量减少75.4%的情况下，平均精度值提高1.8个百分点。所提算法在保证实时性的前提下能够有效提高检测精度。

来源：2023年第11期

《计算机工程》期刊编辑部

查看计算机工程杂志2023年第11期