改进YOLOv5网络的钢材表面缺陷检测算法

张 　倩
北京航空航天大学软件学院

摘要

当前工业钢材表面缺陷检测面临小目标、多尺寸、准确率低等难题，本文在YOLOv5s算法基础上改进，添
加注意力机制并在输入端改用K-Means++算法预测先验框，提高了算法对小目标的检测性能。实验表明，改进算法
在数据集上mAP达83.3%，比原算法提升6.2%，检测速度达96.5fps/s。改进YOLOv5s算法在钢材表面缺陷检测上达
到了高精度实时性的效果。

关键词

缺陷检测；K-Means++；注意力机制

参考

[1] 杨莉张亚楠王婷婷等 . 基于改进 FasterRCNN 的钢材表面缺陷检测方法 [J]. 吉林大学学报信息科

学版），2021，39（4）：409-415.

[ 2 ] R E N S , H E K , G I R S H I C K R , e t a l . F a s t e r

R-CNN:towards real-time object detection with region

proposal networks[J].IEEE Transactions on Pattern Analysis

and Machine Intelligence,2017,39(6):1137-1149.

[3] He K, Gkioxari G, Dollár P, et al. Mask R-CNN

[J]. IEEE Transactions on Pattern Analysis & Machine

Intelligence, 2017, PP (99): 1-1.

[4] 丁瑶 . 基于融合机制的航拍目标检测与识别 [D]. 厦

门：厦门大学，2019.

[5] 李维刚，叶欣，赵云涛，等 . 基于改进 YOLOv3

算法的带钢表面缺陷检测 [J]. 电子学报，2020，48（7）：

1284-1292

[6] 谈世磊，别雄波，卢功林，等 . 基于 YOLOv5 网

络模型的人员口罩佩戴实时检测 [J]. 激光杂志，2021，42

（2）：147-150.

[7] LIU S,QI L,QIN H,et al.Path aggregation network for

instance segmentation[C]//Proceedings of the IEEE Conference

on Computer Vision and Pattern Recognition,Salt Lake

City,USA,June 18-23,2018:8759-8768.

[8] Wang, H., Jin, Y., Ke, H. et al. DDH-YOLOv5:

improved YOLOv5 based on Double IoU-aware Decoupled

Head for object detection. J Real-Time Image Proc 19, 1023–

1033 (2022).