基于YOLOv5和ConvNext的钢铁表面缺陷检测研究

为解决工业钢铁表面缺陷检测速度慢、准确度低问题,提出一种基于改进YOLOv5网络的检测方法。在YOLOv5网络的FPN特征金字塔模块中加入ECANet模块,以提高检测精度;利用K-Means算法在NEU-DET数据集上重新聚类,生成3组新的先验框,降低网络损失;针对钢铁缺陷的小目标特征,将ConvNext网络应用到YOLOv5的主干网络中,用ConvNext网络提取小目标缺陷特征,增强模型学习能力。实验结果表明,改进后的YOLOv5模型与原YOLOv5模型相比,mAP提升了3.84%,平均检测速率为36.9 frame/s,能够做到快速和准确的检测,满足实际应用需求。