基于 YOLO-World 的钢铁表面缺陷实时检测算法研究
摘要
通过设计多尺度上下文感知模块增强复杂背景下的特征提取能力,引入动态权重损失函数优化多目标检测精度,并结合通
道剪枝与 8-bit 量化技术实现模型轻量化部署。理论分析表明,改进算法在东北大学 NEU-DET 数据集上的平均检测精度
(mAP)达 92.5%,模型参数量减少 58%,推理速度提升至 48 帧 / 秒。本文系统阐述了算法改进原理、数学模型及工业应
用潜力,为智能制造场景下的实时质检提供了可行的技术方案。
关键词
全文:
PDF参考
[1] REDMON J, FARHADI A. YOLOv3: An Incremental
Improvement[J]. arXiv:1804.02767, 2018.
[2] 罗东亮 , 蔡雨萱 , 杨子豪 , 等 . 工业缺陷检测深度学
习方法综述 [J]. 中国科学(信息科学).2022,52(6).
[3] 邹 彦 艳 , 曹 衍 芬 , 张 馨 月 , 等 . 基 于 YOLOv8-DSG
的 钢 铁 表 面 缺 陷 检 测 算 法 [J/OL]. 吉 林 大 学 学 报 ( 信 息
科 学 版 ),1-10[2025-02-07].https://doi.org/10.19292/j.cnki.
jdxxp.20240517.010.
[4] LIN T Y, GOYAL P. Focal Loss for Dense Object
Detection[J]. IEEE TPAMI, 2020, 42(2): 318-327.
[5] 国家钢铁工业协会 . 中国钢铁质量发展报告 2023[R].
北京 : 冶金出版社 , 2023.
[6] 李维创 , 尹柏强 . 工业金属板带材表面缺陷自
动视觉检测研究进展 [J]. 电子测量与仪器学报 .2021,(6).
DOI:10.13382/j.jemi.B2003349
[7] HE K M, ZHANG X Y. Deep Residual Learning for Image
Recognition[C]. CVPR, 2016: 770-778.
[8] 尹虎 . 探析机器视觉技术在智能制造中的应用 [J]. 数
码设计 ,2021(13):33-36.
[9] REN S Q. Faster R-CNN: Towards Real-Time Object
Detection[J]. IEEE TPAMI, 2017, 39(6): 1137-1149.
[10] 李键 , 李华 , 胡翔坤 , 等 . 基于深度学习的表面缺陷
检测技术研究进展 [J]. 计算机集成制造系统 ,2024,30(3):774-
790. DOI:10.13196/j.cims.2023.IM28.
DOI: http://dx.doi.org/10.12361/2661-3727-07-01-170496
Refbacks
- 当前没有refback。