基于机器视觉的轻量化钢材表面缺陷检测模型

针对当前主流缺陷检测模型参数量大、计算复杂度高,难以在计算资源有限的嵌入式设备上部署的问题,提出了一种轻量化钢材表面缺陷检测模型YOLO-LSNet。首先,为了降低模型的参数量和计算复杂度,提出了一种轻量化卷积模块MSConv。其次,提出M-BiFPN网络用于深浅层特征信息的融合。最后,用SIoU损失函数替换CIoU损失函数,加快网络的收敛速度。实验结果表明,YOLO-LSNet模型在NEU-DET数据集上相较于基线网络YOLOv5,mAP提升了1.8%,模型参数下降了43.4%,计算量降低了36.1%。完成模型轻量化设计的同时,保证了模型的检测精度,具有良好的应用前景。