本发明涉及一种基于大型可分离卷积注意力机制的钢材缺陷检测方法。首先,利用大型可分离卷积注意力(LSKA)增强网络学习有效特征的能力;其次,采用SPPFCSPC的金字塔池化结构加快运算速度和提高精确度;最后,提出了双向特征提取网络(Bi‑directional Feature Pyramid Network,BiFPN)提取缺陷的多尺度信息,提高了模型对缺陷的检测精度。实验结果表明,本文算法在NEU‑DET数据集上的性能优越,在mAP上的性能提高了6.7%。与SSD、EfficientNet、GhostNet和YOLOV3等主要目标检测算法相比,mAP算法分别提高了5.0%、18.1%、24.4%和7.7%。本发明方法有效提升了钢材表面缺陷检测精度。
扫码关注,查看更多科技成果