Page 49 - 无损检测2023年第一期

刘 洋, 等:

基于改进 YOLOV5的缺陷识别与定量分析

高, 实时更新难度较大; RHIM 等 [ 10 ] 对碳纤维复合
材料的超声信号进行模态分析, 使用所得传递函数
的零极点为分类的特征值, 再进行 BP 网络训练, 但
碳纤维复合材料具有各向异性的特性, 该方法的识

别精度有限; XU 等 [ 11 ] 使用改进的 FasterR-CNN
算法检测混凝土柱的损伤, 但其将识别过程分为两
阶段, 使得识别速度受到影响, 而 YOLO 系列算
法 [ 12 ] 将两阶段合并, 实现了更快的检测速度, 更适
用于碳纤维复合材料的自动化检测。谢经明等 [ 13 ]
图1 改进的通道注意力模块结构
基于 X 射线焊缝图像采用轻量化的 YOLO 网络进
对输入的特征通道u 分别进行全局平均池化
行识别, 大大降低了网络模型的计算量, 加快了识别
和全局最大池化, 得到全局最大池化后的特征向量
速度, 但精度有所损失。
) 分别为
( F m ) 和全局平均池化后的特征向量( F a
为满足碳纤维复合材料缺陷位置与面积快速准
W , H
( 1 )
确的识别需求, 基于 YOLOV5网络模型, 通过超声 F m =maxu i j
i = 1 , j = 1
相控阵系统采集碳纤维复合材料的预置缺陷, 对检测 1 W , H
F a= ∑ u i j ( 2 )
结果图像进行数据增强, 以解决样本不足和缺陷数据 WH i = 1 , j = 1
分布不均的问题; 为解决特征融合时忽略了通道间和 式中: W 和H 分别为当前通道的宽度和高度; u i j 为
j
区域间联系的问题, 添加了改进的通道注意力机制和 当前通道第 i 行第 列像素点。
由于对每个通道计算权重时仅考虑其k 个相
空间注意力机制; 为提高计算速度, 使用k-means+
+聚类算法对缺陷数据集重新聚类, 得到适用于碳纤 邻通道, 因此分支权重v i 为
维复合材料缺陷的先验框, 并改进了损失函数的计算 k j j j k
∑
v i= σ ( vF ), F ∈Ω i ( 3 )
方法。在文章建立的数据集上进行训练与测试, 通过 j = 1
k j k
与其他网络模型训练的结果进行对比, 结果表明该算 式中: Ω i 为F i 与其 k 个临近通道的集合; F 为Ω i
中的第 个通道( 1≤ j≤k ); v 为 ECANet算法中
j
法在精度与速度上均具有一定的优势。 j
计算通道注意力参数矩阵的对应参数; σ (·) 为
1 改进的 YOLO 算法
Si g moid函数。
1.1 网络结构优化 通过使用卷积核大小为 r 的一维卷积核即可实
为进一步弥补 YOLO V5算法的缺陷, 提高网 分别为

现通道间的交互, 即两分支权重v 1 和v 2
络性能, 通过以下两方面对算法进行改进。 )] ( 4 )
v 1= σ [ C 1D r ( F m

( 1 )添加通道注意力机制。原算法对统一大小 )] ( 5 )
v 2= σ [ C 1D r ( F a
的特征图使用串联操作融合, 该方法仅将特征在同 式中: C 1D 为包含 r 个参数的一维卷积, 综合考虑计
一通道维度上进行连接, 忽略了不同通道上特征存 算效率与模型大小, 取 r= 3 。
在的内部联系, 导致融合后的特征不能很好地描述 通过对两分支进行加权计算得到最终通道权重
目标。故文章在特征融合时引入通道注意力机制。 ω 为
由于经典的 SENet算法计算了所有通道间的 ( 6 )
ω= p · v 1+ q · v 2
依赖关系并对特征图进行了降维操作, 过程效率低, 式中: 和 q 为网络自动优化调整的动态系数,
p
p+
对网络性能影响较大。因此文章使用一种能实现跨 q=1 。
通道交互的 ECANet注意力模块算法, 其能够在不 最终输出的特征u' 为
降低维度的全局平均池化( GAP ) 下计算每个通道 u'= ω· u ( 7 )
与其k 临近通道间的依赖关系, 同时, 为减少特征 ( 2 )添加空间注意力机制。经通道注意力机制

信息的损失, 文章额外增加全局最大池化( GMP ) 的 重新分配通道权重后的特征图能够更重视有用的通
分支, 在分别获取两个分支的依赖关系后进行加权, 道, 但在进行目标识别与定位时, 特征图中的各个区
从而获得更准确的通道间信息。改进的通道注意力 域也不是同等重要的, 因此添加改进的空间注意力
模块结构如图1所示( C 为向量长度)。 算法进行区域权重分配, 其网络结构如图2所示。
5
1
2023年 第45卷 第1期
无损检测