GCA-YOLO:一种改进的钢铁表面缺陷检测算法

摘要

针对现有钢铁表面缺陷检测算法存在检测精度低、实时性差及参数量大等问题，提出了一种改进的钢铁表面缺陷检测算法——GCA-YOLO.该算法通过嵌入Ghost模块形成C3Ghost结构进行基本特征提取，并用GhostConv替换颈部普通卷积，确保模型检测精度的同时减少模型参数量.在主干网络中融入坐标注意力机制(coordinate attention, CA),增强模型捕获方向和位置信息的敏感度.在下游特征融合网络中引入ACmix模块，集成了自注意力机制和卷积模块，以较低的计算成本提升网络性能.同时，采用SIoU损失函数以提高检测框回归精度.在NEU-DET数据集上的实验结果表明：与原始算法相比，改进算法的平均精度提高10.96百分点，参数量降低了40.68%,仅为4.17 M.对比其他主流目标检测算法，改进算法在精度、速度上均有显著提升，复杂度大幅降低，能够满足钢铁表面缺陷检测的实时性需求.

关键词

钢铁表面缺陷检测 / 冗余信息 / 坐标注意力 / 特征融合