基于YOLOv5的轻量级布匹瑕疵检测算法

摘要

针对现有布匹瑕疵检测模型存在的参数量大、训练耗时和准确率低等情况，提出了一种基于YOLOv5改进的布匹瑕疵检测(fabric defect detection YOLO,FDD-YOLO)算法.首先，在特征提取阶段引入ConvMp模块，实现跨通道特征融合，减少特征下采样时的信息丢失；其次，将重参幽灵卷积(RepGhost)与残差结构相融合，降低模型参数，并减少冗余信息的传递；最后，设计了轻量级注意力聚合结构，以增强模型对小目标的特征提取能力，抑制无用信息的传递.结果表明，相较于YOLOv5,FDD-YOLO算法在ZJU-Leaper数据集和天池布匹瑕疵数据集上平均精度分别提升了3.3和4.6百分点，同时，模型参数量缩减至3.2 M.

关键词

布匹瑕疵检测 / 特征融合 / YOLOv5 / 小目标检测 / 坐标注意力机制