Page 108 - 无损检测2024年第十一期
P. 108
孟令波，等：
基于 YOLO 网络模型的多类别标签缺陷检测
式中：W ，H 为长宽两个方向变换后的尺寸；σ ，σ h YOLO算法网络结构由特征提取骨干网络
r
r
w
为长宽变换系数；T +…+T 为边缘特征点的方向 Backbone、进行特征融合的Neck部分、实现检测
1
4
向量余弦值。 的检测头 Head 部分组成。其中，Backbone 部分
通过金字塔层级进行比例调整，重新计算匹配 采用 CSPDarknet53 网 络，CSPDarknet53 网络在
S 值，当S 值大于设定阈值时匹配结束。传统模 Darknet53 的基础上加入CSP，增强了CNN的学习
core core
板匹配与文章算法匹配结果对比如图3所示，可以 能力，能够在轻量化、低计算量和低内存访问成本
看出，边缘字体中边缘匹配算法的匹配效果较差，会 下有效提高准确率。Neck部分由SPPNet结构和
出现位置偏差，而文章的匹配算法能够较好地对边 PANet 组成，SPPNet为空间金字塔池化网络，在算
缘字体进行匹配，减少匹配过程中的误差。 法中能够增加网络的感受野；PANet网络为路径聚
合网络，用于实现骨干网络深层特征与浅层特征的
融合。Head检测部分，大小为 3×3 和 1×1 的两次
卷积操作完成检测 [14] 。
由于标签检测背景单一，缺陷尺寸相差较大且
种类较多，因此文章在骨干网络中引入SAM空间注
意力机制模块，其结构示意如图5所示 （图中Concat
为，Conv为）。
图 3 传统模板匹配与文章算法匹配结果对比
2 改进的YOLO算法
当在比较小的区域使用文章自适应匹配检测算
法时，匹配效果较好，效率较高，能够满足日常生产
要求；当对较大区域（见图4）进行检测时，在匹配过
程中会消耗大量时间，无法满足实际生产需求，因此
文章提出了改进的YOLO算法。
图 5 SAM 空间注意力模块结构示意
使用均值池化层与最大值池化层进行特征提
取，文章使用YOLO算法的标签部分拍摄的背景图
为白色背景，当存在缺陷时，其背景颜色亮于正常标
签部分的，灰度特征值及平均值高于正常值，因此采
用最大值及平均值池化层能够更好地选择留取缺陷
区域的特征。其特征提取为
× （17）
（18）
图 4 YOLO 算法检测区域
70
2024 年 第 46 卷 第 11 期
无损检测
