CN119418128A 基于YOLOv5n工业零部件表面缺陷检测方法及装置 （新疆大学）

基于YOLOv5n工业零部件表面缺陷检测方法本发明公开了一种基于YOLOv5n工业零部件2将注意力机制嵌入到主干网络的卷积层中，并引入动态蛇形卷积捕获跨通道的信息，将得到的特征图输入特征金字塔网络中，通过下采样方式和上采样2.根据权利要求1所述的一种基于YOLOv5n工业零部件表面缺陷检测方法，其特征在CA注意力机制先经过两个平均池化操作对通道进行编码，高度为H和宽度为W的第C个经过通道级拼接操作和卷积平滑处理产生具有全局再通过批正则化和非线性映射变换，最后进行权重扩张作为注意力3.根据权利要求1所述的一种基于YOLOv5n工业零部件表面缺陷检测方法，其特征在从收集过程中获取融合的全局信息后，注入模块Inject将此全局信息4.根据权利要求1所述的一种基于YOLOv5n工业零部件表面缺陷检测方法，其特征在36.一种计算机可读存储介质，其特征在于，4[0001]本发明涉及工业零部件表面缺陷检测领域，尤其涉及一种基于YOLOv5n工业零部[0005]本发明提供了一种基于YOLOv5n(目标检测算法)工业零部件表面缺陷检测方法及5F1h为高度为h的通道输出表达式，Zw为宽度为w的通道输出表达[0017]再通过批正则化和非线性映射变换，最后进行权重扩张6[0042]S3：引入Gold_YOLO结构，通过全局融合多层特征并将全局信息注入到更高的层以增强卷积神经网络(CNN)对复杂对象形状和动态轮廓的检测能力，更有利于准确检测长[0048]GOLD_YOLO是在TopFormer理论的基础上进行扩展得出的一种新颖的收集和分发7[0049]在低阶段特征对齐模块(Low_FAM)中采用平均池化操作对输入的特征进行下采加RepBlock进一步提取和融合信息。高阶段特征对齐模块(High_FAM)由平均池化支(High_GD)中的信息注入模块与低阶集散分支(Low_GD)中的完损失(anglecost)、距离损失(distancecost)、形状损失(shapecost)和IoU损失(IoU部件表面的缺陷特性，提出了一种更适用于检测工业零部件划痕等长条形缺陷的检测模[0053]下面结合具体的计算公式，对实施例1中的方案进行进一步地介绍，详见下文描F1h为高度为h的通道输出表达式，Zw为宽度为w的通道输出表达8变的对象的适应能力。动态蛇形卷积(DynamicSnakeConvolution)是一种自适应卷积方yy9precision(AP)和meanaverageprecision(mAP)等最常用的指标，averageprecision(AP)是不同召回率下准确率的平均值，一般用于评价某一类检测准确率。meanaverage数量和GFLOPS(每秒10亿次的浮点运算数)反映模[0100]为了说明方法的准确性，在钢材表面缺陷数据集NEU_DET上与其他模型的预测结[0104]为了更好地说明每项改进对本发明实施例提出模型性能的贡献，表2中列出了单存储器中存储有程序指令，处理器调用存储器中存储的程序指令以使装置执行实施例1中F1h为高度为h的通道输出表达式，Zw为宽度为w的通道输出表达[0119]再通过批正则化和非线性映射变换，最后进行权重扩张[0120]yc(i,)=x(i,)xg(i)xg"(j)[0127]这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质[0135]本发明实施例对各器件的型号除做特殊说明的以外，其