控制与决策

作者：叶卓勋,刘妹琴,张森林

单位：浙江大学 电气工程学院,杭州 310027,,浙江大学 电气工程学院,杭州 310027;西安交通大学 人工智能与机器人研究所,西安 710049,,浙江大学 电气工程学院,杭州 310027,

关键词：轻量化检测网络;小目标缺陷检测;主干特征提取网络;改进式PANet

基金：科技创新2030-“新一代人工智能”重大项目(2020AAA0108302).

工业环境下表面缺陷检测是质量管理的重要一环,具有重要的研究价值.通用检测网络(如YOLOv4)已被证实在多种数据集检测方面是有效的,但是在工业环境的缺陷检测仍需要解决两个问题:一是缺陷实例在表面占比过小,属于典型的小目标检测问题;二是通用检测网络结构复杂,很难部署在移动设备上.针对上述问题,提出一种基于轻量化深度学习网络的工业环境小目标缺陷检测方法.应用GhostNet替代YOLOv4主干特征提取网络,提高网络特征提取能力及降低算法复杂度,并通过改进式PANet结构增加YOLO预测头中高维特征图比例以实现更好的性能.以发动机金属表面缺陷检测为例进行实验分析,结果表明该模型在检测精度(mAP)提升5.83%的同时将网络模型参数量降低83.5%,检测速度提升2倍,同时满足缺陷检测的精度和实时性要求.

来源：2023年第5期

《控制与决策》期刊编辑部

查看控制与决策杂志2023年第5期