YOLO-ML:基于多尺度特征层注意力机制的滑轨缺陷检测方法

摘要

汽车拉索滑轨外观质量是保障车窗升降系统良好工作的重要保障，外观缺陷会导致车窗升降系统晃动、异响、卡顿、腐蚀等问题，因此对汽车拉索滑轨外观进行缺陷检测至关重要。提出了一种用于汽车拉索滑轨外观缺陷的检测方法，该方法使用YOLO V8作为基础模型，通过加入小目标检测头、多尺度序列特征金字塔(multi-scale sequence feature based feature pyramid network, multi-SSFPN)模块、多尺度特征层注意力(layer-attention)模块，实现了滑轨外观多尺寸缺陷的实时检测。实验和现场测试结果表明，该方法在滑轨缺陷数据集上的平均检测精度Box-mAP50为91.5%,Mask-mAP50为89.4%,能够很好地识别滑轨外观缺陷。为了进一步验证了该方法的有效性，在公开数据集NUE-DET和GC 10-DET上对方法进行了评估，分别取得了平均检测精度78.5%和70.8%,与当前数据集上最好效果相比取得了有竞争力的结果。

关键词

缺陷检测 / 拉索滑轨 / 特征金字塔 / 注意力机制

基金资助

重庆市自然科学基金面上项目(cstc2019jcyj-msxmX0530;CSTB2022NSCQ-MSX1153)