G-YOLO:基于改进YOLOv5的嵌入式小目标缺陷检测算法

摘要

针对人工检测缺陷模式或YOLOv5等深度学习算法对工业产品的缺陷检测存在识别准确率低、模型参数规模大等问题，提出一种对微小缺陷端到端检测的嵌入式算法G-YOLO.该算法使用卷积核为3和卷积核为1的双层卷积FConv模块，改善了原单层卷积带来的参数量较大的问题；改进的轻量级跨阶段GSP模块融合坐标注意力机制用于主干网络中能够利用冗余信息实现廉价的线性操作和聚焦缺陷信息来增强特征，以提高网络对缺陷特征的提取能力；去除原YOLOv5的颈部模块，减少网络的参数量和提升网络检测速度.结果表明，G-YOLO嵌入式算法减少了模型大小，改善了缺陷检测的效果，较好地满足轻量化嵌入式模型的要求.

关键词

嵌入式 / 特征融合 / 注意力机制 / 冗余信息 / 特征提取