Page 109 - 无损检测2024年第十一期

孟令波，等：

基于 YOLO 网络模型的多类别标签缺陷检测

为 减 少 经 Backbone 网 络 卷 积 计 算 后 的 原
（19） 始图像缺陷特征信息的丢失，在Backbone网络

× × CSPDarknet53参数为304×304×64层中，在其输出
式中：input为输入数据；N为图像批数据；C为图 端接入卷积（卷积核为3×3），以及SAM模块，采用
像通道数据；h与w为图像数据的长和宽；out 下采样机制，分别输出 76×76×1 与 38×38×1，与
Avgpool
为平均池化的输出值；out Maxpool 为最大值池化后输 PANet输入进行第一维度融合，增加原输入经过卷
出值；stride为步长，stride[0]为高度维度上的步长； 积计算的特征，减少经卷积计算损失的标签细小的
stride[1]为宽度维度上的步长。 缺陷特征，经改进的YOLO网络结构如图6所示。

图 6 改进后的 Yolo 网络结构
改进后的YOLO网络训练的损失函数如图 7 3 试验与分析
所示，其最终的损失函数值明显低于原模型的。在
为验证改进的YOLO网络结构对标签缺陷检测
经过500次的迭代训练后损失值趋于稳定，且低于
的有效性与准确性，文章将其与未经改进的YOLO
0. 005，具有较好的收敛性，未发生过拟合现象，训
网络结构进行对比，结果如图8所示（ng_lang表示存
练效果较好。
在缺陷，g_lang表示完好标签）。由对比结果可以看
出检测图像1 的边缘部分存在缺失的缺陷，文章算
＃
法能够准确地将有问题的标签标记为ng_lang，将存
在缺陷的位置以矩形框标记，YOLO 网络模型未能
准确识别并标记缺陷标签，表明文章算法在边缘特
征不明显的情况下仍适用；检测图像2 含有较小的
＃
漏洞缺陷，文章算法能够精确识别出两个缺陷漏洞
并标记为ng_lang，YOLO网络模型未能准确将漏洞
缺陷检测出并标记；检测图像3 含有划痕缺陷的原
＃
图 7 改进前后的训练结果 图像，文章算法能够精确识别出轻微划痕缺陷并标

71
2024 年 第 46 卷 第 11 期
无损检测