基于融合注意力和多尺度特征的热轧带钢表面缺陷检测方法

摘要

针对热扎带钢表面缺陷面积较小、形态多样、边界模糊且背景复杂的问题，提出一种热轧带钢表面缺陷检测模型SFSP-YOLOv7。首先，通过改进k-means++聚类算法调整先验框维度，使用交并比(intersection over union, IoU)距离替换欧氏距离度量，引入遗传算法(genetic algorithm, GA)以获得更具代表性的锚框尺寸，并提升模型的回归速度和小面积缺陷检测的精确度。其次，对于边界模糊且背景复杂的缺陷，提出一种目标检测边界框损失函数FocalSIoU,以减少模型中不必要特征的学习，加快检测速度，提升预测框的回归效果。最后，设计一种多尺度特征融合模块(multi-scale feature fusion module, MFFM),通过多尺度信息融合增强模型特征提取能力，提高小目标的检测精确度，并改善模型检测误检率。在模型Head结构中引入空到深(space to depth, SPD)卷积模块对模型进行改进，避免细粒度信息的丢失，降低目标漏检率。通过NEU-DET数据集进行验证，结果表明，SFSP-YOLOv7模型检测的平均精度均值(mean average precision, mAP)为78.3%,相比原YOLOv7模型提升了5.0个百分点，表明提出的检测方法具有有效性。

关键词

带钢表面缺陷检测 / 深度学习 / YOLOv7 / 损失函数 / 注意力机制 / 多尺度特征融合