基于DSCS-YOLO的苹果表面缺陷检测方法

摘要

[目的]针对苹果无损检测过程中表面缺陷检测精度低的问题，提出一种基于DSCS-YOLO的苹果表面缺陷检测方法。[方法]首先为提高网络对表面缺陷细节特征的提取能力，设计一种基于Dense模块以及SE模块的深浅特征选择模块DSCS(deep and shallow feature selection module),采用DSCS替换Backbone中的C3模块，在保留表面缺陷浅层信息的基础上强化对重要特征的学习，并起到削弱冗余特征的作用；针对Backbone与Neck部分输出信息过多导致的参数耦合问题，利用解耦头原理对Head层部分进行分层预测。其次采用ELU激活函数改进原有解耦头，简化末端结构，使网络训练更加容易。最后针对表面缺陷标注困难的问题，采用Wise-IoU损失函数代替CIoU损失函数，为不同质量的标注提供非线性增益，实现网络的动态聚焦学习。[结果]DSCS-YOLO提高了对小目标的检测能力，在苹果表面缺陷测试集上平均精度均值达到90.9%,相较于YOLOv3-tiny、YOLOv5s、YOLOX-s以及SSD分别提高了4.5%、1.9%、6.3%、16.3%,检测效果最优。同时模型参数量为9.54 M,推理时间仅为2.8 ms,检测速度快，满足实际应用需求。[结论]改进后的DSCS-YOLO提高了YOLOv5s算法的精度，实现了苹果表面缺陷的精准识别。

关键词

苹果 / 表面缺陷 / 检测 / 特征融合 / 动态聚焦 / 损失函数 / YOLOv5s / 注意力机制