工业缺陷检测与油罐半径测量新方法

### 工业缺陷检测与油罐半径测量新方法 在工业生产中，缺陷检测和油罐半径测量是两个重要的领域。前者关系到产品质量和生产效率，后者则对石油化工行业的贸易结算和企业管理至关重要。下面将详细介绍这两个领域的新方法及其优势。 #### 工业缺陷检测方法 为了实现对具有大尺寸变化和强背景干扰的钢表面多类缺陷的自动检测，研究人员提出了一种基于 YOLOv5 的缺陷检测框架。 1. **框架改进** - **SPPF 替换**：将 SPPF 替换为 SPPFCSPC，融合了空间金字塔结构中的残差结构，提高了全局和局部信息融合的精度。 - **GFAR 模块嵌入**：在基线颈部网络中嵌入全局特征聚合和重新分配模块（GFAR），赋予特征图更丰富、准确的特征表示能力。 2. **注意力机制实验** - **控制组设置**：设置了跨维度交互注意力机制（GAM）、坐标注意力机制（CA）作为消融实验的对照组，并设置了不添加任何注意力机制的对照组。 - **实验结果**：通过实验对比不同注意力机制对 GFAR 的影响，结果如下表所示： | 注意力机制 | mAPNEU (%) | mAPGC10 (%) | | --- | --- | --- | | None | 75.9 | 79.8 | | CBAM | 76.1 | 80.2 | | GAM | 76.6 | 81.0 | | CA | 77.1 | 80.9 | | GPAM | 77.9 | 81.6 | 从表中可以看出，不添加注意力模块的 GFAR 在平均精度均值（mAP）上仅有轻微提升。添加注意力机制后，检测精度有不同程度的提高。其中，CBAM 的提升幅度较小，仅为 0.2% 和 0.3%，这表明过度的全局池化会导致特征不明显的工业缺陷信息丢失。GAM 和 CA 的提升更为显著，分别增加了 0.7%、1.2% 和 1.2%、1.1%。而 GPAM 的提升最大，分别提高了 2.0% 和 1.8%，表现最佳，说明将原始位置注意力调整与全局注意力相结合适用于工业缺陷检测任务。 3. **与 SOTA 网络比较** 为了进一步验证该方法的有效性，将其与代表性的单阶段和两阶段最先进（SOTA）检测器进行了比较，结果如下表所示： | 方法 | 骨干网络 | NEU - DET（mAP(%)） | NEU - DET（FPS） | GC10 - DET（mAP(%)） | GC10 - DET（FPS） | | --- | --- | --- | --- | --- | --- | | **两阶段方法** | | | | | | | Faster RCNN | ResNet - 50 | 74.1 | 14 | 67.5 | 18 | | Cascade RCNN | ResNet - 50 | 73.3 | 12 | 72.1 | 14 | | Libra RCNN | ResNet - 50 | 77.1 | 12 | 67.1 | 18 | | TridentNet | ResNet - 50 | 77.0 | 11 | 63.2 | 20 | | DDN | ResNet - 50 | 82.3 | 11 | - | - | | **单阶段方法** | | | | | | | YOLO v3 | DarkNet - 53 | 72.0 | 34 | 51.2 | 25 | | RetinaNet | ResNet - 50 | 68.4 | 40 | 71.6 | 19 | | VFNet | ResNet - 50 | 74.1 | 34 | 74.6 | 17 | | YOLO v7 | CSPDarkNet - 53 | 7