Page 110 - 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

图 8 改进前后的模型识别结果对比
记ng_lang，YOLO 网络模型未能准确将划痕缺陷检 起的缺陷误判；在缺陷类型较多的部分使用改进的
测出来并标记。 YOLO网络模型进行检测，使用空间注意力结构增
在 1 782 张图像检测中，两种算法的检测结果 强特征图中语义信息，消除冗余信息，有效增强细小
对比如表 1 所示，文章算法在各项检测中的准确率 缺陷的特征提取，通过与原模型YOLO进行对比，
均高于原模型的检测结果，其中缺陷与划痕的检测 在细小缺陷检测能力上有较大提升。结果表明，文
准确率提升有限，缺陷的检测准确率由 96. 73%提 章提出的方法能够有效地检测热转印标签缺陷，整
体的检测准确率为98%，可为热转印标签的工业生
升至 98. 04%，划痕的检测准确率由 94. 32% 提升
产实时监测提供一定参考价值。
至 97. 26%；细小缺陷的检测准确率由 83. 68% 提
升至 95. 58%；误判率也低于原模型的。检测结果 参考文献：
表明，文章方法在实际生产中能够很好地减少误
[1] 汤勃，孔建益，伍世虔. 机器视觉表面缺陷检测综
判，提升细小缺陷的检测准确率，提高产品质量。
述[J]. 中国图象图形学报，2017，22（12）：1640-1663．
表1 两种算法的检测结果对比 % [2] 龙晓薇，阳春华，龙永红. PVC建材表面缺陷检测系统

算法 缺陷 划痕 细小缺陷 误判 研究与设计[J]. 计算技术与自动化，2010，29（2）：46-50．
YOLO 96.73 94.32 83.68 5 [3] WU Q H，ZHU M H．Application of image processing
文章算法 98.04 97.26 95.58 2 sensor and pattern recognition in detection of bearing
surface defects[J]. Journal of Sensors，2022：7924982．
4 结论
[4] ZHAI H，MA Z．Detection algorithm of rail
文章提出将自适应匹配缺陷检测方法与改进的 surface defects based on multifeature saliency fusion
method[J]. Sensor Review，2022，42（4）：402-411．
YOLO网络模型相结合进行热转印标签的检测。通
[5] 李克斌，余厚云，周申江. 基于形态学特征的机械零件
过自适应的匹配算法提高缺陷较少部分的匹配精
表面划痕检测[J]. 光学学报，2018，38（8）：0815027．
度，使得该部分的缺陷检测精度提高，减少匹配引 (下转第90页)
72
2024 年 第 46 卷 第 11 期
无损检测