基于语义增强与局部注意的带钢表面缺陷检测
摘要:带钢表面缺陷的有效检测对于保证产品质量具有重要意义,然而,由于低对比度和小目标尺度,现有检测方法往往面临检测精度不足的问题。为此,提出一种基于语义增强与局部注意力机制的带钢表面缺陷检测算法(ScaleAwareandLocal AttentionDetection,SALADet)。首先,在主干网络中嵌入语义交互增强模块,挖掘并强化深度特征图中的高级语义信息,提升网络区分背景和缺陷的能力。其次,在网络的颈部结构中引入局部注意力金字塔模块,增强小目标的特征提取能力,从而提高对小尺度目标的检测精度。为了进一步提高检测性能,SALADet算法采用了解耦检测头,有效缓解了分类与回归任务之间的冲突,提高了整体检测精度。在NEU-DET数据集上的实验结果表明:SALADet算法的平均精度均值达到79.4%,相较于FasterR-CNN、SSD、YOLOX、YOLOv8和CenterNet等算法,分别提升4.7%、4.1%、4.5%、4.6%和6.1%。此外,SALADet算法的推理速度达到每秒84.7帧,展现出优异的实时性和实用性。
