苏盈盈,何亚平,邓圆圆,刘兴华,阎垒,斯洪云.基于改进YOLOv5s轻量化带钢表面缺陷检测方法[J].光电子激光,2024,35(7):723~730
基于改进YOLOv5s轻量化带钢表面缺陷检测方法
Lightweight strip surface defect detection method based on improved YOLOv5s
投稿时间:2023-04-03  修订日期:2023-06-19
DOI:
中文关键词:  YOLOv5s  G-Ghostnet  缺陷检测  RepGhost  GSConv  轻量化模型
英文关键词:YOLOv5s  G-Ghostnet  defect detection  Repghost  GSConv  lightweight model
基金项目:重庆市自然科学基金项目(CSTB2022NSCQ-MSX1425)、 重庆科技学院创新项目(YKJCX2220408)和重庆科技学院创新项目(YKJCX2320403)
作者单位
苏盈盈 (重庆科技大学 电气工程学院重庆 401331) 
何亚平 (重庆科技大学 电气工程学院重庆 401331) 
邓圆圆 (重庆科技大学 电气工程学院重庆 401331) 
刘兴华 (重庆科技大学 电气工程学院重庆 401331) 
阎垒 (重庆科技大学 电气工程学院重庆 401331) 
斯洪云 (重庆科技大学 电气工程学院重庆 401331) 
摘要点击次数: 165
全文下载次数: 18
中文摘要:
      针对YOLOv5s模型参数量大、难以在嵌入式设备上部署的问题,设计了一种轻量化的YOLOv5s带钢表面缺陷检测方法。首先将主干网络中的部分卷积层替换为多分枝结构的RepGhost,增强了主干对特征信息的提取能力,推理时可以转化为单分支结构,保证了检测速度。其次提出了一种轻量级的FPN网络(GG-FPN),其中的G-Ghost用于削减C3模块中的冗余参数,而GSConv则利用大卷积核的深度可分离卷积和分支结构,保证精度和速度的双提升。实验表明,在NEU-DET数据集上,GG-FPN模型参数量较原FPN减少了24.7%,GFLOPs降低了20.6%。对 于整个模型,改进的算法mAP仅损失1.9%,参数量较YOLOv5s减少了37.5%,GFLOPs降低了33.1%,检测速度达到187 frame/s,更好地均衡了检测的速度与精度。
英文摘要:
      Aiming at the problems of large number of parameters of YOLOv5s model and difficulty in deploying on embedded devices,a lightweight YOLOv5s strip surface defect detection method is designed.Firstly,part of the convolutional layer in the backbone network is replaced with RepGhost with multi-branching structure,which enhances the ability of the backbone to extract feature information,and the reasoning can be converted into a single-branch structure to ensure the detection speed.Secondly,a lightweight FPN network (GG-FPN) is proposed,in which G-Ghost is used to reduce redundant parameters in the C3 module,while GSConv uses the large convolutional kernels depth separate convolution and branching structures to ensure the improvement of accuracy and speed at the same time.Experiments show that on the NEU-DET dataset,the number of parameters of the GG-FPN model is reduced by 24.7% compared with the original FPN,and the GFLOPs are reduced by 20.6%.For the whole model,the improved algorithm mAP only loses 1.9%,the number of parameters is reduced by 37.5% compared with YOLOv5s,GFLOPs is reduced by 33.1%,and the detection speed reaches 187 frame/s,which better balances the speed and accuracy of detection.
查看全文    下载PDF阅读器
关闭

版权所有:《光电子·激光》编辑部  津ICP备12008651号-1
主管单位:天津市教育委员会 主办单位:天津理工大学 地址:中国天津市西青区宾水西道391号
技术支持:北京勤云科技发展有限公司