基于改进YOLO模型的工业铝片缺陷检测

针对目前铝片表面缺陷的目标检测存在很多问题，包括现场大规模算法和计算设备的不适用性，以及检测速度和精度之间的平衡等，提出了一种基于注意力机制的新颖轻量级检测方法。在YOLOv4框架的基础上提出GBANet主干网络，其基于一个新的卷积Ghost模块构建并将改进的注意力模块嵌入在堆叠的Ghost块中。对颈部网络进行了特征融合的重新设计和轻量化，增加感受野，通过SPPF-PANet模块简化网络并通过改进anchor box和损失函数等措施增强模型对缺陷对象精确性。实验表明，所提方法较原YOLOv4提高1.06%的mAP,检测速度达到了36.6 fps,模型体积减少了82.72%,并能有效识别铝型材表面不同种类的缺陷。所提方法能够满足铝型材工厂生产现场缺陷检测要求。