基于改进YOLOv7的钢材表面缺陷检测

摘要

钢材表面缺陷对于钢材行业来说是一个巨大的挑战。针对传统的钢材缺陷检测方法存在着效率低、检测精度不高等问题，基于YOLOv7设计了一种AFSD-YOLOv7模型进行实时的钢材表面缺陷检测。首先，在YOLOv7模型中使用一种轻量化卷积结构替换标准卷积结构，,以加速模型的推理过程；然后采用快速空间金字塔池化结构替换原始空间金字塔池化结构，以加速网络的特征提取过程；最后添加改进的ECA-Net注意力机制，以提升模型检测精度。实验结果表明，AFSD-YOLOv7能够对钢材缺陷进行有效识别，相比YOLOv7模型，计算量减少了54.8%,mAP提高了3.2%,对于钢材表面缺陷检测具有实际应用价值。

关键词

钢材 / 缺陷检测 / YOLOv7 / 神经网络 / 深度学习 / 注意力机制 / 标准卷积