基于YOLO11n-SRA的带钢表面缺陷检测

摘要

针对带钢表面缺陷检测目标背景复杂、现有算法特征处理能力不足导致检测精度较低的问题，提出了一种改进的检测算法YOLO11n-SRA。首先，通过引入SHSA注意力机制替换C2PSA模块中的PSA注意力机制，以提高小目标的检测效率和精度；其次，在颈部网络中，将RCM模块嵌入C3k2模块，利用其上下文捕捉与特征增强能力，以提升多尺度检测性能；再次，通过引入ATFL损失函数，有效缓解缺陷图像中目标与背景的不平衡问题，以提高模型训练过程的稳定性；最后在NEU-DET和GC10-DET数据集上进行实验验证。结果表明，相较于YOLO11n算法，在参数量和计算量保持不变的情况下，YOLO11n-SRA的对比实验和泛化实验mAP值分别提升3.4和1.6个百分点，FPS分别提升45.8 frame/s和20.6 frame/s,召回率分别提升5.1和4.0个百分点。改进算法在检测精度和效率之间实现了良好平衡，为算法的改进和实际部署提供了参考。

关键词

计算机图像处理 / YOLO11n / 注意力机制 / 缺陷检测 / 损失函数

基金资助

国家自然科学基金(52374335); 中央引导地方科技发展资金项目(236Z1017G); 唐山市市级科技计划项目(22130220G)