基于STCS-YOLO的带钢表面缺陷检测算法

带钢表面缺陷检测技术是高质量带钢产品生产的重要技术之一。针对以往带钢表面缺陷检测中存在漏检、定位不准、小尺度缺陷目标检测能力较差的问题,提出了一种改进YOLOv5的带钢表面缺陷检测算法(STCS-YOLO)。首先,在特征融合网络的输出部分采用Swin Transformer模块与原有C3模块相融合,增强对全局特征信息的交互与复用,显著提高了对小尺度缺陷目标的检测能力;其次,采用一种轻量级上采样算子CARAFE来替换传统上采样操作,以更好地恢复缺陷信息,提高对带钢表面缺陷的识别精度;最后,在特征提取网络中嵌入3-D权值注意力机制SimAM,以加强对前景特征信息的关注能力,提高对缺陷目标的强辨识能力。试验结果表明,所提算法在NEU-DET数据集上均值平均精度P_mA达到了79.7%,比原网络提高了3.9个百分点,并且在模型权重与计算复杂度几乎不变的情况下,单帧检测时间达到了10.9 ms,基本能够满足带钢表面缺陷准确、快速的检测需求。本研究提出的带钢表面缺陷检测算法为生产整洁、无瑕的高质量带钢产品奠定了技术基础。