融合頻域注意力機(jī)制和解耦頭的YOLOv5帶鋼表面缺陷檢測

孫澤強(qiáng)，陳炳才，2*，崔曉博，王 磊，陸雅諾

（1.新疆師范大學(xué) 計算機(jī)科學(xué)技術(shù)學(xué)院，烏魯木齊 830054；2.大連理工大學(xué) 計算機(jī)科學(xué)與技術(shù)學(xué)院，遼寧 大連 116024）

0 引言

目標(biāo)檢測作為計算機(jī)視覺中最基本、最具挑戰(zhàn)性的任務(wù)之一，旨在找出圖像中特定的目標(biāo)，并對目標(biāo)進(jìn)行定位和分類，在工業(yè)質(zhì)檢、視頻監(jiān)控、無人駕駛等眾多領(lǐng)域應(yīng)用廣泛［1］。帶鋼產(chǎn)品是廣泛應(yīng)用于我國國民經(jīng)濟(jì)與鋼鐵工業(yè)的重要產(chǎn)品，衡量材料效率的主要判定依據(jù)是材料的性能、幾何尺寸和表面質(zhì)量。目前冷軋帶鋼產(chǎn)品在材料與尺寸方面已經(jīng)基本能夠滿足要求，但表面質(zhì)量問題往往成為主要的影響因素［2］。近些年來，各種基礎(chǔ)設(shè)施建設(shè)對于帶鋼的精度需求越來越高，帶鋼受到結(jié)構(gòu)和制作工藝影響可能會出現(xiàn)多種表面缺陷，如：夾雜、斑塊、麻點、壓入氧化皮和劃痕等，這些缺陷輕則減少帶鋼的使用壽命和用途，重則可能會影響建筑物的建設(shè)安全導(dǎo)致建筑事故。因此本文希望通過計算機(jī)視覺目標(biāo)檢測的方法快速有效地檢測出帶鋼表面的缺陷，進(jìn)而能分離出有問題的產(chǎn)品。

目前的目標(biāo)檢測算法主要分為兩類［3］：第一類是以RCNN（Regions with Convolutional Neural Network features）為代表的兩階段目標(biāo)檢測算法，例如R-CNN 算法［4］、Fast R-CNN算法［5］、Faster R-CNN 算法［6］、Mask R-CNN 算法［7］。兩階段目標(biāo)檢測算法需要先提取目標(biāo)候選框，也就是目標(biāo)位置，然后再對候選框做分類與回歸。另一類是以YOLO（You Look Only Once）算法為代表的一階段目標(biāo)檢測算法，例如OverFeat 算法［8］、YOLO 算法［9］、YOLOv2 算法［10］、YOLOv3 算法［11］和SSD（Single Shot multibox Detector）算法［12］。一階段算法不需要預(yù)測區(qū)域建議框的網(wǎng)絡(luò)（Region Proposal Network，RPN），直接輸入整張圖，直接在最后的檢測頭上預(yù)測邊界框的類別和位置，所以檢測速度較快，但是檢測精度相對較低。

卷積神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)的引入使缺陷檢測實現(xiàn)了高準(zhǔn)確度和高效率，逐漸成為缺陷檢測的主要研究方向。文獻(xiàn)［13］在ResNet 中加入了軟注意力機(jī)制，達(dá)到了很高的圖像分類精度。而在目標(biāo)檢測方面，文獻(xiàn)［14］采用了改進(jìn)后的Mask R-CNN 算法對帶鋼表面進(jìn)行檢測，并使用K-meansⅡ聚類算法改進(jìn)RPN 的錨框生成方法，使精度有很大的提升，但是在速度上仍有很大的欠缺，每秒傳輸幀數(shù)（Frames Per Second，F(xiàn)PS）為5.9。文獻(xiàn)［15］調(diào)整YOLOv3 網(wǎng)絡(luò)結(jié)構(gòu)并新增一層大尺度檢測層，使小目標(biāo)的帶鋼缺陷檢測更準(zhǔn)確。文獻(xiàn)［16］中對YOLOv5 算法運(yùn)用雙向特征金字塔進(jìn)行多尺度特征融合，采用指數(shù)線性單元函數(shù)作為激活函數(shù)，能加快網(wǎng)絡(luò)訓(xùn)練收斂速度，提升算法魯棒性。文獻(xiàn)［17］在骨干網(wǎng)絡(luò)中增加了一種多尺度殘差增強(qiáng)模塊，并且設(shè)計了一種注意力門控結(jié)構(gòu)嵌入模型，進(jìn)一步提高了YOLO 框架的性能。

為進(jìn)一步提高缺陷檢測的準(zhǔn)確率，本文采用YOLOv5 算法，并在此基礎(chǔ)上進(jìn)行改進(jìn)。首先將YOLOv5 的錨框聚類算法由原來的K-means 算法改進(jìn)為模糊C 均值（Fuzzy C-Means，F(xiàn)CM）算法，根據(jù)優(yōu)化目標(biāo)函數(shù)得到每個真實框?qū)λ垲惖腻^框（anchor）的隸屬度，從而確定這些真實框的類別以達(dá)到聚類anchor 的目的；然后改進(jìn)YOLOv5 原有的網(wǎng)絡(luò)結(jié)構(gòu)，加入三層頻域通道注意力FcaNet（Frequency channel attention Network）［18］和更換解耦頭，提高對帶鋼表面缺陷檢測的準(zhǔn)確率；最后在劃分好的測試集NEU-DET 上進(jìn)行驗證，得到更好的實驗結(jié)果。

1 YOLOv5目標(biāo)檢測算法

1.1 網(wǎng)絡(luò)結(jié)構(gòu)

YOLO 算法是一種單階段目標(biāo)檢測算法，檢測速度相較于R-CNN 算法更快。YOLO 算法的核心思想是將目標(biāo)檢測問題變成一個回歸問題，在經(jīng)過特征提取以及特征融合后直接回歸出目標(biāo)的位置以及所屬的類別，使得計算資源和檢測時間成本大幅降低。YOLO 系列算法經(jīng)過不斷的創(chuàng)新和改進(jìn)，自YOLOv1 算法提出后，YOLOv2 算法加入K-means 聚類錨框，大大提高了檢測的召回率；YOLOv3 算法首次采用Darknet53 的骨干網(wǎng)絡(luò)，達(dá)到了更好的檢測精度；YOLOv4 算法 將Backbone 改進(jìn)為CSPDarknet53（Cross Stage Partial Darknet53）結(jié)構(gòu)，并且采用PANet（Path Aggregation Network）特征融合的方法；YOLOv5 在YOLOv4 的基礎(chǔ)上加入了一些改進(jìn)的trick，根據(jù)網(wǎng)絡(luò)深度和寬度大小的不同，依次有YOLOv5s、YOLOv5m、YOLOv5l 和YOLOv5x 版本，版本越高，檢測精度越高，速度越慢。

YOLOv5 網(wǎng)絡(luò)架構(gòu)主要分為輸入端、Backbone 骨干網(wǎng)絡(luò)、Neck 特征融合和YOLO 檢測頭，YOLOv5 的輸入端采用Mosaic 數(shù)據(jù)增強(qiáng)，它的基本操作是將隨機(jī)選取的4 張圖片進(jìn)行隨機(jī)裁剪，然后將其拼接成指定分辨率的圖像，以達(dá)到數(shù)據(jù)增強(qiáng)的目的；同時，在圖像批量輸入網(wǎng)絡(luò)前，將數(shù)據(jù)集中的真實框進(jìn)行聚類，YOLOv5 算法采用K-means 聚類錨框，之后計算錨框和真實框的差距，進(jìn)行反向傳播。

Backbone 骨干網(wǎng)絡(luò)首先采用Focus 切片操作，將3 通道的圖片切片變成12 通道，接著經(jīng)過一層帶有32 個卷積核的卷積層，變成32 通道，F(xiàn)ocus 切片示意圖如圖1 所示；然后進(jìn)入CSPDarknet53 骨干網(wǎng)絡(luò)，借鑒了跨階段局部網(wǎng)絡(luò)CSPNet（Cross Stage Partial Network）［19］，其在ResNetXt 中證明了基數(shù)相較于網(wǎng)絡(luò)寬度和深度更加有效，可以顯著減少參數(shù)和計算量，并提升速度。

圖1 Focus切片示意圖Fig.1 Schematic diagram of Focus section

Neck 由特征金字塔（Feature Pyramid Network，F(xiàn)PN）［20］和路徑聚合網(wǎng)絡(luò)（Path Aggregation Network，PAN）［21］組成。FPN將Backbone 提取的深層特征上采樣與淺層信息逐元素相加，從而構(gòu)建尺寸不同的特征金字塔結(jié)構(gòu)，同時還利用了低層特征高分辨率和高層特征高語義信息。PAN 在FPN 增強(qiáng)語義信息的同時，又添加了一條自底向上的金字塔結(jié)構(gòu)，以獲取更多的位置信息，PAN 與FPN 結(jié)合就可以獲取豐富的特征信息。YOLOv5 特征融合部分如圖2 所示。

Head 是YOLOv5 的網(wǎng)絡(luò)檢測頭部分，如圖2 所示，在特征融合部分之后產(chǎn)生三個檢測層，輸入分辨率為640×640 的圖像，產(chǎn)生20×20，40×40 和80×80 的預(yù)測結(jié)果，即分別負(fù)責(zé)預(yù)測大、中、小目標(biāo)，同時每個檢測層上有3 個錨框進(jìn)行檢測，檢測結(jié)果包括目標(biāo)的定位信息（x，y，w，h）、對象信息（obj）和類別信息（cls）。

圖2 YOLOv5特征融合示意圖Fig.2 YOLOv5 feature fusion diagram

1.2 檢測原理

YOLOv5 算法采用PAN 的特征融合方式，提取多個不同尺度的檢測特征，提高了算法對不同大小目標(biāo)的檢測能力，如圖3 所示，將最終輸出的特征分成S×S的網(wǎng)格，虛線框代表需要調(diào)整的anchor，anchor 的寬度和高度分別是pw和ph，預(yù)測相對錨框的偏移量是tw和th，由式（1）可以得到預(yù)測框bw、bh、bx和by。

圖3 預(yù)測框Fig.3 Prediction box

1.3 損失函數(shù)

YOLOv5 算法的損失函數(shù)包含置信度損失lobj、分類損失lcls以及目標(biāo)框定位損失lbox，如式（2）所示：

置信度損失lobj的計算如式（3）所示：

其中：K表示圖像的劃分網(wǎng)格系數(shù)；M表示表示每個網(wǎng)格所預(yù)測的預(yù)測框的個數(shù)；Ci為標(biāo)簽值；為預(yù)測值；λnoobj為懲罰權(quán)重系數(shù)。

目標(biāo)分類損失lcls的計算如式（4）所示：

目標(biāo)定位損失lbox采用完全交并比（Complete-IoU，CIoU）損失，如式（5）～（7）所示，CIOU 損失考慮到了3 個幾何因素，即預(yù)測框和真實框之間的重疊面積、預(yù)測框和真實框的中心點距離和長寬比。

其中：b是預(yù)測框的中心點；bgt是真實框的中心點；ρ表示歐氏距離；c表示預(yù)測框和真實框所構(gòu)成的外接矩形對角線長度；α表示權(quán)重系數(shù)；交并比IoU（Intersection over Union）為預(yù)測框與真實框的交集和并集的比值；v表示預(yù)測框和真實框之間的長寬比差異，如果一致，則v=0，且差距越大，v也越大。

2 YOLOv5算法改進(jìn)

2.1 Fuzzy C-means聚類anchor算法

原始YOLOv5 算法采用K-means 算法聚類anchor，數(shù)據(jù)集中有很多目標(biāo)的標(biāo)注框，將這些標(biāo)注框的寬和高進(jìn)行聚類，就會形成大小不同的先驗框，YOLOv5 在特征融合后產(chǎn)生3 個檢測層，分別對應(yīng)大、中、小尺度的Feature map，負(fù)責(zé)檢測大、中、小目標(biāo)，最后采用交并比（IoU）評價聚類結(jié)果。

由于K-means 聚類算法是一種硬聚類、基于劃分的聚類算法，一般樣本點之間的相似度是基于歐氏距離來衡量，樣本點之間的歐氏距離越小，相似度就越大，是一種硬劃分，將每個待聚類的對象嚴(yán)格地劃分到某類，具有“非此即彼”的性質(zhì)。文獻(xiàn)［22］提出超像素的快速FCM 聚類算法應(yīng)用于彩色圖像分割，使得聚類算法更快更穩(wěn)定。該算法通過優(yōu)化目標(biāo)函數(shù)得到每個樣本點對聚類中心點的隸屬度，隸屬度越大樣本所屬該類的可能性越大。最終的聚類損失函數(shù)可以表示為式（8），其中m＞1，用于控制聚類結(jié)果的模糊程度，一般取值為2。

FCM 聚類算法就是不斷迭代計算隸屬度uij和簇中心cj，直到達(dá)到最優(yōu)。隸屬度uij和簇中心cj如式（9）所示：

迭代更新的終止條件如式（10）所示：

其中：k是迭代的步數(shù)；ε是誤差閾值，當(dāng)?shù)诫`屬度不再發(fā)生較大變化的時候，說明已經(jīng)達(dá)到了最優(yōu)的狀態(tài)。

2.2 引入FcaNet注意力機(jī)制

在計算機(jī)視覺信息處理過程中引入注意力機(jī)制，不僅可以將有限的計算資源分配給重要的目標(biāo)，而且能夠產(chǎn)生符合人類視覺認(rèn)知要求的結(jié)果［23］。文獻(xiàn)［24］在U-Net 中采用四重注意力，使用四個分支捕獲通道和空間位置之間的內(nèi)部和跨維度交互。通道注意力能給模型精度帶來較明顯的提升，如SENet（Squeeze-and-Excitation Network）［25］，但由于計算開銷有限，通道注意方法的核心步驟是對每個通道計算一個標(biāo)量，同時采用全局平均池化（Global Average Pooling，GAP），因其簡單性和高效性而成為深度學(xué)習(xí)領(lǐng)域的標(biāo)準(zhǔn)選擇。

在 ICCV（IEEE International Conference on Computer Vision）2021 中收錄的FcaNet［18］中，采用的是頻域通道注意力的思想，它從不同的角度出發(fā)，將通道表示問題視為一個使用頻率分析的壓縮過程，而不僅僅只是一個標(biāo)量，在頻率分析的基礎(chǔ)上，從數(shù)學(xué)角度證明了傳統(tǒng)的全局平均池化（GAP）其實是頻域特征分解的一種特例。因此，F(xiàn)caNet 把通道的標(biāo)量表示看作是一個壓縮問題，即通道的信息要用標(biāo)量進(jìn)行壓縮編碼，同時盡量保持整個通道的表示能力。

2.2.1 離散余弦變換

離散余弦變換（Discrete Cosine Transform，DCT）具有較強(qiáng)的能量壓縮特性，可以實現(xiàn)高質(zhì)量的數(shù)據(jù)壓縮比，通常典型的二維DCT［26］的基函數(shù)是式（11）：

二維DCT 可以寫成式（12）：

其中：i∈{ 0，1，…，H-1} ；j∈{0，1，…，W-1}；f2D∈ RH×W為二維DCT 頻譜；x2D∈ RH×W為輸入；H為x2D的高度；W是x2D的寬度。

2.2.2 多譜通道注意力模塊

在FcaNet 中給出了一個定理并進(jìn)行了數(shù)學(xué)證明，定理如下：全局平均池化GAP 是二維DCT 的一種特殊情況，其結(jié)果與二維DCT 的最低頻率分量成正比?；谏厦娴亩ɡ砜梢钥闯?，在通道注意機(jī)力SENet 中使用GAP 意味著只保留了最低頻率的信息，而來自其他頻率的分量將會被丟棄，而其他頻率也可能包含一些有用的特征，如圖4 所示。

圖4 SENet通道注意力Fig.4 SENet channel attention

多譜通道注意力如圖5 所示，首先，沿著通道維度將輸入特征X分成許多部分，表示［X0，X1，…，Xn-1］，其 中：Xi∈RC′×H×W，i∈｛0，1，…，n-1｝，C′=C/n，C可被n整除。對每個部分分配相應(yīng)的二維DCT 頻率分量，由分配的DCT 頻率分量得到每個部分的Freq向量，如式（13）：

圖5 多譜通道注意力Fig.5 Multi-spectral channel attention module

其中：i∈{ 0，1，…，n-1} ；［ui，vi］是與Xi相對應(yīng)的頻率分量的二維指數(shù)，經(jīng)過壓縮后，F(xiàn)reqi變?yōu)镃′維的向量，整個壓縮后的向量可以通過拼接獲得式（14），其中Freq∈ RC是獲取到的多譜向量。

綜上，整個多譜通道注意力框架可以被寫成如式（15），由式（14）、（15）可以看出，本文算法將原來的全局平均池化GAP 方法推廣到一個具有多個頻率分量的框架，這樣可以有效地豐富壓縮后的信道信息，便于表示。

2.3 引入Decoupled Head解耦檢測頭

YOLOX［27］使用了解耦頭的方法，能加快收斂速度，提升檢測精度。在目標(biāo)檢測中，分類和回歸任務(wù)之間的沖突眾所周知［28］，因此用于分類和定位任務(wù)的解耦頭在大多數(shù)一階段和二階段目標(biāo)檢測算法中應(yīng)用廣泛，然而，原始YOLOv5 算法依舊使用耦合頭，即分類和回歸任務(wù)不分離，如圖3 所示，特征融合后直接經(jīng)過一層卷積得到最終檢測頭，檢測頭耦合了分類、定位和置信度的檢測。而解耦頭如圖6 所示，，其中nanchor為anchor個數(shù)，經(jīng)過1×1卷積后，通道維數(shù)減小至256；經(jīng)過兩個平行的3×3卷積層，其中一個用于分類任務(wù)，另一個用于定位和置信度任務(wù)；再經(jīng)過兩個分別用于定位和置信度檢測的平行的1×1 卷積，經(jīng)過上述操作，分類、定位和置信度檢測使用不同的檢測層，與YOLOX 算法不同，本文并沒有采用基于anchor-free 的檢測機(jī)制，還是采用基于anchor 的檢測，所以最后產(chǎn)生的檢測結(jié)果有9個anchor，最終的實驗也表明基于anchor的YOLOv5算法比YOLOX的檢測精度更高。

圖6 解耦頭示意圖Fig.6 Schematic diagram of decoupled head

3 實驗與結(jié)果分析

3.1 實驗數(shù)據(jù)集

本文采用的東北大學(xué)發(fā)布的NEU-DET 數(shù)據(jù)集是熱軋帶鋼表面缺陷的經(jīng)典數(shù)據(jù)集，收集了6 種常見的表面缺陷，包括夾雜（Inclusion，In）、劃痕（Scratches，Sc）、壓入氧化皮（Rolled-in Scale，Rs）、裂紋（Crazing，Cr）、麻點（Pitted Surface，Ps）和斑塊（Patches，Pa），每種缺陷300 張，圖像尺寸為200×200。由于裂紋類圖像缺陷不明顯，模糊圖像不利于檢測任務(wù)，刪去這類圖像缺陷，因此數(shù)據(jù)集有1 500 張缺陷圖像，將缺陷圖像按照8∶2 的比例隨機(jī)劃分成訓(xùn)練集和測試集，因此訓(xùn)練集有1 200 張，測試集有300 張，各類帶鋼缺陷如圖7所示。

圖7 各類帶鋼缺陷Fig.7 Schematic diagram of strip defects

3.2 生成anchor實驗

原始的YOLOv5 算法的anchor 框是在COCO（COmmon objects in COntext）數(shù)據(jù)集上聚類得到的，由于COCO 數(shù)據(jù)集和帶鋼表面缺陷數(shù)據(jù)集的真實框不同，因此需要重新聚類，在YOLOv5 算法中，需要生成9 組不同的anchor，所以設(shè)置生成的聚類中心數(shù)為9，通過K-means 算法和FCM 算法生成9個anchor，最后得到每個樣本點和聚類中心交并比的最大值的平均，作為評價最終聚類結(jié)果的標(biāo)準(zhǔn)，計算公式如式（16）所示：

其中：box為預(yù)測框；cen為標(biāo)記框。

通過FCM 算法生成anchor 框，代替原來K-means 聚類算法，最終FCM 生成的9 個anchor 分別為［73，121，104，248，183，160］，［287，267，597，89，155，410］，［103，608，289，593，593，612］，按照式（16）計算得到的準(zhǔn)確率為68.15%，而通過K-means 算法聚類得到的準(zhǔn)確率為66.56%，所以FCM 的聚類結(jié)果更好，兩種算法聚類后的散點圖對比如圖8 所示，其中星號代表該類的聚類中心。

圖8 K-means和FCM算法聚類后散點圖對比Fig.8 Comparison of scatter plots after clustering between K-means and FCM algorithms

3.3 實驗結(jié)果分析

本文實驗是在ubuntu16.04.10 版本的操作系統(tǒng)下完成的，采用的硬件配置為：Intel Xeon CPU E5-2680 v4 @2.40GH，NVIDIA GeForce RTX3080；軟件環(huán)境為CUDA10.2和CUDNN9.1；開發(fā)框架為PyTorch；編程語言為Python；預(yù)訓(xùn)練模型“yolov5-x.pt”，batch size 為8，一共訓(xùn)練100 個epochs。

目標(biāo)檢測領(lǐng)域通常使用召回率（Recall）、精準(zhǔn)率（Precision）和平均精度均值（mean Average Precision，mAP）對算法性能進(jìn)行評價。精準(zhǔn)率用于描述檢測為正樣本的數(shù)量占所有的樣本的比例；召回率用于描述檢測為正樣本的數(shù)量占標(biāo)記為正樣本的數(shù)量的比例。計算公式如（17）所示：

其中：TP（True Positive）表示標(biāo)記為正樣本檢測也為正樣本的數(shù)量；FP（False Positive）表示標(biāo)記為假樣本但檢測為正樣本的數(shù)量，即檢測錯誤的數(shù)量；FN（False Negative）表示將樣本正類預(yù)測為負(fù)類的個數(shù)，即遺漏檢測的個數(shù)。本文采用mAP 作為評價指標(biāo)，平均精度（Average Precision，AP）為PR曲線下的面積，mAP 衡量全部類別下的AP 的均值，N為類別數(shù)，計算公式如（19）所示：

IFPS用來衡量網(wǎng)絡(luò)的檢測速度，計算公式如式（20）所示：

其中：NumFigure表示檢測的圖像數(shù)量；TotalTime表示檢測所用的總時長。

為驗證本文算法的有效性，設(shè)計三組實驗，對FCM 算法和解耦頭進(jìn)行分析。實驗結(jié)果如表1 所示，三個實驗均基于YOLOv5 算法進(jìn)行改進(jìn)，實驗1 不采用任何改進(jìn)策略，使用Kmeans 算法聚類先驗框；實驗2 使用FCM 算法進(jìn)行先驗框的聚類，最終的mAP 值提升了1.6 個百分點，檢測速度相差無幾，因為網(wǎng)絡(luò)結(jié)構(gòu)沒有變化，只是改變先驗框的聚類方式，模糊聚類算法并不會嵌入網(wǎng)絡(luò)將聚類得好的先驗框加入網(wǎng)絡(luò)進(jìn)行訓(xùn)練，因此不會增加額外的參數(shù)量；實驗3 是在實驗2 的基礎(chǔ)上將檢測頭替換為解耦頭，將分類任務(wù)和定位任務(wù)解耦合之后，由于增加額外的卷積層，mAP 值又提升了1.0 個百分點，但是FPS 下降5.14 個百分點。

表1 不同改進(jìn)算法的對比實驗結(jié)果Tab.1 Comparative experimental results of different improved algotithms

表2 是在前兩個改進(jìn)點的基礎(chǔ)上加入不同的注意力機(jī)制進(jìn)行對比的結(jié)果，圖9 是加入不同注意力機(jī)制使用Grad_cam 在缺陷圖片上的熱力圖展示結(jié)果。如表2 所示，加入SE（Squeeze-and-excitation）、BAM（Bottleneck Attention Module）［29］、CBAM（Convolutional Block Attention Module）［30］、CCA（Criss-Cross Attention）［31］、CA（Coordinate Attention）［32］后mAP 均有一定下降；而加入Non-Local［33］、DA（Dual Attention）［34］、FcaNet 后mAP 提高較明顯，相較于改進(jìn)2，分別提高1.2、1.3 和3.0 個百分點，檢測速度除Non-Local 提升明顯外，DA 和FcaNet 基本不變。DA 是從空間和通道兩個分支并行地構(gòu)建特征圖的相關(guān)性矩陣；FcaNet 采用頻域通道注意力，將通道看作頻率壓縮的過程，兩者都達(dá)到了不錯的檢測精度。對增加注意力機(jī)制后的額外參數(shù)量進(jìn)行分析，加入BAM 的額外參數(shù)量最少，但是mAP 只有81.4%；加入FcaNet相對其他注意力模塊所增加的額外參數(shù)量較少，而mAP 提升較明顯，達(dá)到85.5%。從熱力圖對比結(jié)果看出，對于“劃痕”缺陷，加入FcaNet 后，對缺陷的檢測效果更好，誤檢的目標(biāo)更少，在可視化的角度證明了FcaNet 在缺陷檢測上效果更優(yōu)。

圖9 加入不同注意力模塊熱力圖對比結(jié)果Fig.9 Heat map comparison results after adding different attention modules

表2 加入不同注意力模塊對比實驗結(jié)果Tab.2 Comparison experimental results by adding different attention modules

表3 是不同算法在NEUDET 數(shù)據(jù)集上的對比結(jié)果，其中文獻(xiàn)［14］采用改進(jìn)的Mask R-CNN 兩階段算法，檢測精度達(dá)到96%，但是檢測速度只有5.90 FPS，雖然檢測精度很高，但是難以滿足檢測的實時性要求；文獻(xiàn)［15］采用改進(jìn)的YOLOv3 算法，對于5 類缺陷的檢測精度達(dá)到82.2%，還可以進(jìn)一步提升；Faster R-CNN 算法和SSD 算法的特征提取網(wǎng)絡(luò)均為Resnet50，是目前檢測性能較好的Backbone。對比不同的算法檢測結(jié)果可以發(fā)現(xiàn)：1）相較于原始的YOLOv5 算法，改進(jìn)的YOLOv5 算法在各類缺陷的檢測精度上均有明顯提升，尤其是針對檢測效果不佳的壓入氧化皮缺陷，達(dá)到了72.7%，整體mAP 相較于原始YOLOv5 提升了4.2 個百分點，檢測速度下降不多。2）改進(jìn)后的YOLOv5 算法的檢測速度低于文獻(xiàn)［15］算法、原始YOLOv3 和SSD，而檢測精度更高。主要因為實驗使用的YOLOv5-x 版本，是YOLOv5 所有版本中網(wǎng)絡(luò)深度和寬度最大的結(jié)構(gòu)，因此在檢測速度上未能勝過SSD 和YOLOv3 算法。YOLOv5 也使用解耦頭來進(jìn)行檢測，但是采用的是anchor-free 的檢測方法，所以在帶鋼表面缺陷檢測效果并不佳。

表3 不同算法檢測性能的對比結(jié)果Tab.3 Comparison results of detection performance of different algorithms

4 結(jié)語

本文針對帶鋼表面缺陷數(shù)據(jù)集中的五類不同的缺陷進(jìn)行高精度檢測的問題，提出一種改進(jìn)的YOLOv5 算法，首先使用FCM 算法代替K-means 算法對先驗框進(jìn)行聚類，接著采用解耦的檢測頭，從而分離分類和定位任務(wù)，不同的任務(wù)使用不同的卷積層，最后加入了FcaNet 通道注意力模塊，使用多譜通道注意力機(jī)制提取到更有效的特征信息，最后實驗結(jié)果表明，本文提出的改進(jìn)方法能夠準(zhǔn)確、快速地檢測出不同缺陷的帶鋼圖像。本文方法在Nvidia RTX 3080 測試條件下mAP 達(dá)到0.855，速度為27.71 FPS，實現(xiàn)了高精度的檢測，檢測精度高于通用目標(biāo)檢測模型，檢測速度還有待提升，該方法為帶鋼的缺陷檢測提供了有益的幫助。下一步將在嵌入式設(shè)備上進(jìn)行模型的性能改進(jìn)，進(jìn)一步縮小網(wǎng)絡(luò)結(jié)構(gòu)，以便在移動端實時地檢測帶鋼缺陷。