典型文献
基于改进YOLOv5的轮对踏面缺陷检测
文献摘要：
针对高速列车轮对踏面缺陷检测精度低、效率慢的问题,提出一种改进的YOLOv5算法实现快速准确检测.引入卷积注意力机制,在通道维度和空间维度上进行特征优化,使重要的目标特征在网络处理中占比更大,从而增强网络对目标区域的特征学习能力;根据踏面缺陷类别的大小对Neck区结构进行精简,保留适合检测中小目标的特征图分支,从而降低模型复杂度;将边框回归的损失函数改为有效交并比(EIoU),融合更多边界框信息,提高预测的准确率.实验结果表明:相较于原始的YOLOv5,改进后的YOLOv5在测试集上的平均精度均值(mAP)提高了5.5个百分点,检测速度提升了 2.8 frame/s,面对复杂场景具有较强的泛化能力.
文献关键词：
图像处理;缺陷检测;YOLOv5算法;卷积注意力机制;损失函数
中图分类号：
作者姓名：
孙耀泽;高军伟
作者机构：
青岛大学自动化学院,山东青岛266071;山东省工业控制技术重点实验室,山东青岛266071
文献出处：
引用格式：
[1]孙耀泽;高军伟-.基于改进YOLOv5的轮对踏面缺陷检测)[J].激光与光电子学进展,2022(22):220-226
A类：
B类：
YOLOv5,轮对踏面,踏面缺陷,缺陷检测,高速列车,车轮,检测精度,算法实现,快速准确,卷积注意力机制,空间维度,特征优化,目标特征,目标区域,特征学习能力,Neck,精简,小目标,特征图,模型复杂度,边框回归,损失函数,交并比,EIoU,多边界,边界框,测试集,平均精度均值,mAP,百分点,检测速度,frame,复杂场景,泛化能力
AB值：
0.44228
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
