基于GS-YOLO模型的带钢表面缺陷检测

doi:10.11772/j.issn.1001-9081.2024020189

摘要/Abstract

摘要：

为解决现有目标检测方法对带钢表面缺陷检测精度不高、效率低下的问题，提出一种GS-YOLO（Gather-and-distribute-Squeeze-YOLO）模型检测表面缺陷。首先，在骨干网络中，引入SE（Squeeze-and-Excitation）注意力机制，以显著增强模型对缺陷特征的识别与定位能力；然后，将原始C3模块中的传统卷积替换为Ghost卷积，从而有效降低模型的参数量与计算量；最后，在模型颈部引入GD（Gather-and-Distribute）特征融合模块取代传统路径聚合网络（PAN）和特征金字塔网络（FPN）架构，从而确保特征融合的连续性，并提高不同规模目标的识别准确度。实验结果表明，与原始的YOLOv5s相比，所提模型的精确率、召回率和mAP@0.5分别提升了1.32、5.18和2.56个百分点，而计算量减少了0.4 GFLOPs，充分表明所提方法在兼顾检测精度提高的同时，降低了模型的计算量。

关键词: YOLOv5, 带钢表面缺陷, 注意力机制, 特征融合, 轻量化结构, 目标检测

Abstract:

To address the issues of low accuracy and efficiency in existing object detection methods for surface defect detection of strip steel， a GS-YOLO （Gather-and-distribute-Squeeze-YOLO） model was proposed for surface defect detection. Firstly， in the backbone network， SE （Squeeze-and-Excitation） attention mechanism was incorporated to enhance the model’s capability in recognizing and locating defect features significantly. Then， the traditional convolutions in the original C3 module were replaced with Ghost convolutions， thereby reducing the model’s parameters and computational cost effectively. Finally， the GD （Gather-and-Distribute） feature fusion module was introduced in the neck part of the model to replace the traditional Path Aggregation Network （PAN） and Feature Pyramid Network （FPN） architectures， so as to ensure the continuity of feature fusion and improve the recognition accuracy of objects with different scales. Experimental results demonstrate that， compared to the original YOLOv5s， the proposed model increases the precision， recall and mAP@0.5 by 1.32， 5.18 and 2.56 percentage points respectively， and reduces the computational cost by 0.4 GFLOPs. The above verifies that the proposed method increases the detection accuracy and decreases the computational cost of the model at the same time.

Key words: YOLOv5, strip steel surface defect, attention mechanism, feature fusion, lightweight structure, object detection

中图分类号:

TP389.1

忻迪晔, 严怀成. 基于GS-YOLO模型的带钢表面缺陷检测[J]. 计算机应用, 0, (): 302-308.

Diye XIN, Huaicheng YAN. Surface defect detection of strip steel based on GS-YOLO model[J]. Journal of Computer Applications, 0, (): 302-308.

图/表 18

参考文献 31

1	蒋晨，张韵，江海涛，等. SPHC热轧带钢表面氧化铁皮缺陷观察与分析［J］. 天津冶金， 2022（1）： 58-62.
2	付光，焦会立，吴耐，等. 热轧带钢表面缺陷自动判定系统及其应用［J］. 轧钢， 2023， 40（3）： 97-102.
3	张洪涛，段发阶，丁克勤，等. 带钢表面缺陷视觉检测系统关键技术研究［J］. 计量学报， 2007， 28（3）： 216-219.
4	崔庆胜，尹海潮，周婷婷，等. 红外测宽技术及其在热轧带钢宽度检测中的应用［J］. 仪表技术与传感器， 2009（1）： 43-44， 52.
5	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述［J］. 计算机工程与应用， 2021， 57（8）： 10-25.
6	GIRSHICK R， DONAHUE J， DARRELL T， et al. Rich feature hierarchies for accurate object detection and semantic segmentation［C］// Proceedings of the 2014 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2014： 580-587.
7	GIRSHICK R. Fast R-CNN［C］// Proceedings of the 2015 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2015： 1440-1448.
8	REN S， HE K， GIRSHICK R， et al. Faster R-CNN： towards real-time object detection with region proposal networks［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2017， 39（6）：1137-1149.
9	CAI Z， VASCONCELOS N. Cascade R-CNN： delving into high quality object detection［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 6154-6162.
10	王子琦，管振玉，朱轶昇，等. 基于改进级联RCNN的遥感图像目标检测［J］. 计算机工程与设计， 2023， 44（1）： 194-202.
11	陆尧，薛林，王云森，等. 基于Cascade RCNN的热轧带钢表面缺陷检测［J］. 仪表技术与传感器， 2023（8）： 101-106.
12	TIAN Z， SHEN C， CHEN H， et al. FCOS： fully convolutional one-stage object detection［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2019： 9626-9635.
13	ZHU X， LYU S， WANG X， et al. TPH-YOLOv5： improved YOLOv5 based on transformer prediction head for object detection on drone-captured scenarios［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision Workshops. Piscataway： IEEE， 2021： 2778-2788.
14	LIU W， ANGUELOV D， ERHAN D， et al. SSD： single shot multiBox detector［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9905. Cham： Springer， 2016： 21-37.
15	鞠默然，罗海波，王仲博，等. 改进的YOLO V3算法及其在小目标检测中的应用［J］. 光学学报， 2019， 39（7）： No.0715004.
16	邱天衡，王玲，王鹏，等. 基于改进YOLOv5的目标检测算法研究［J］. 计算机工程与应用， 2022， 58（13）：63-73.
17	李维刚，叶欣，赵云涛，等. 基于改进YOLOv3算法的带钢表面缺陷检测［J］. 电子学报， 2020， 48（7）：1284-1292.
18	卢俊哲，张铖怡，刘世鹏，等. 面向复杂环境中带钢表面缺陷检测的轻量级DCN-YOLO［J］. 计算机工程与应用， 2023， 59（15）：318-328.
19	马燕婷，赵红东，阎超，等. 改进YOLOv5网络的带钢表面缺陷检测方法［J］. 电子测量与仪器学报， 2022， 36（8）： 150-157.
20	黄健，张钢. 深度卷积神经网络的目标检测算法综述［J］. 计算机工程与应用， 2020， 56（17）： 12-23.
21	LIU Z， GAO Y， DU Q， et al. YOLO-extract： improved YOLOv5 for aircraft object detection in remote sensing images［J］. IEEE Access， 2023， 11： 1742-1751.
22	XU R， LIN H， LU K， et al. A forest fire detection system based on ensemble learning ［J］. Forests， 2021， 12（2）： No.217.
23	ZHANG T， ZHANG Y， XIN M， et al. A light-weight network for small insulator and defect detection using UAV imaging based on improved YOLOv5［J］. Sensors， 2023， 23（11）： No.5249.
24	FAN Y， LI Y， SHI Y， et al. Application of YOLOv5 neural network based on improved attention mechanism in recognition of Thangka image defects［J］. KSII Transactions on Internet and Information Systems， 2022， 16（1）： 245-265.
25	杜紫薇，周恒，李承阳，等. 面向深度卷积神经网络的小目标检测算法综述［J］. 计算机科学， 2022， 49（12）：205-218.
26	HU J， SHEN L， SUN G. Squeeze-and-excitation networks［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7132-7141.
27	HAN K， WANG Y， TIAN Q， et al. GhostNet： more features from cheap operations［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 1577-1586.
28	WANG C， HE W， NIE Y， et al. Gold-YOLO： efficient object detector via gather-and-distribute mechanism［C］// Proceedings of the 37th International Conference on Neural Information Processing Systems. Red Hook， NY： Curran Associates Inc.， 2023： 51094-51112.
29	GUO Y， YIN X， ZHAO X， et al. Hyperspectral image classification with SVM and guided filter［J］. EURASIP Journal on Wireless Communications and Networking， 2019， 2019： No.56.
30	JARDIM S， ANTÓNIO J， MORA C. Graphical image region extraction with K-Means clustering and watershed［J］. Journal of Imaging， 2022， 8（6）： No.163.
31	WANG C Y， BOCHKOVSKIY A， LIAO H Y M. YOLOv7： trainable bag-of-freebies sets new state-of-the-art for real-time object detectors［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 7464-7475.

模型	参数量/10⁶	计算量/GFLOPs
YOLOv5s	7.02	15.8
YOLOv5+Ghost	4.91	10.4

模型	参数量/10⁶	计算量/GFLOPs
YOLOv5s	7.02	15.8
YOLOv5+Ghost	4.91	10.4

编号	模块			P/%	R/%	mAP@0.5	参数量/10⁶	计算量/GFLOPs
编号	Ghost	SE	GD	P/%	R/%	mAP@0.5	参数量/10⁶	计算量/GFLOPs
0				78.06	75.11	79.82	7.02	15.8
1	√			78.89	75.46	80.68	4.91	10.4
2		√		73.31	76.64	80.89	7.19	16.1
3			√	75.77	76.79	81.23	9.19	20.1
4	√	√		78.38	76.23	81.87	5.07	10.7
5	√		√	77.36	80.07	81.33	7.52	15.4
6		√	√	79.21	77.31	81.81	9.77	21.4
7	√	√	√	79.38	80.29	82.38	7.64	15.4

编号	模块			P/%	R/%	mAP@0.5	参数量/10⁶	计算量/GFLOPs
编号	Ghost	SE	GD	P/%	R/%	mAP@0.5	参数量/10⁶	计算量/GFLOPs
0				78.06	75.11	79.82	7.02	15.8
1	√			78.89	75.46	80.68	4.91	10.4
2		√		73.31	76.64	80.89	7.19	16.1
3			√	75.77	76.79	81.23	9.19	20.1
4	√	√		78.38	76.23	81.87	5.07	10.7
5	√		√	77.36	80.07	81.33	7.52	15.4
6		√	√	79.21	77.31	81.81	9.77	21.4
7	√	√	√	79.38	80.29	82.38	7.64	15.4

模型	P/%	R/%	mAP@50	参数量/10⁶	帧率/（frame·s^-1）	计算量/GFLOPs
SVM^［29］	55.01	59.43
K-means^［30］	52.17	55.78
Faster-RCNN^［8］	69.45	76.83	76.92	56.06	101.6	124.2
Cascade-RCNN^［9］	75.02	72.01	77.41	75.37	78.8	197.5
SSD^［14］	66.52	70.31	70.63	46.99	443.5	73.2
YOLOv3^［12］	67.83	71.15	72.38	52.69	417.4	16.2
YOLOv5s^［13］	78.06	75.11	79.82	7.02	218.6	15.8
YOLOv7s^［31］	77.93	79.72	80.57	36.82	139.8	14.4
GS-YOLO	79.38	80.29	82.38	7.64	98.8	15.4