机械工程学报

作者：王祺, 叶仁传, 马国杰, 马佩珏, 范杰, 杨文龙

单位：1. 江苏科技大学船舶与海洋工程学院 镇江 212100;2. 江苏科技大学海洋学院 镇江 212100;3. 江南大学物联网工程学院 无锡 214122

关键词：钢材表面缺陷,深度学习,轻量化,YOLOv5,卷积神经网络；

基金：国家自然科学基金(52001145)和江苏省研究生科研与实践创新计划(SJCX22_1963，KYCX22_3841)资助项目。

针对传统钢材表面缺陷检测方法存在检测效率低、检测精度差、实时性差等问题，提出一种基于改进YOLOv5的轻量化钢材表面缺陷识别算法，适用于低成本、低算力、低内存的硬件设备的工程部署。首先，通过K-means++算法对NEU-DET数据集重新聚类生成自适应锚框，优化先验框和真实框之间的匹配度；然后通过改进激活函数和损失函数，HardSwish激活函数降低计算成本的同时提高了稳定性，SIoU损失函数可以有效地加快了网络收敛速度；其次，为了提取目标区域的丰富的细节信息，在原始YOLOv5算法基础上添加CA坐标注意力模块；再借鉴结构重参化引入改进的Repvgg block，同时将模型通道数减半，进一步增加模型的工程部署性；最后，通过消融试验和一系列对比试验，证明本算法性能上的优越性，较YOLOv5原算法，参数量减少约73.6%，浮点计算量减少约72.3%，同时mAP值提升1.5%。研究结果为钢材表面缺陷精细化检测提供了新的方法及思路，对提高钢材产品质量具有实际意义。

来源：2025年第8期

《机械工程学报》期刊编辑部

查看机械工程学报杂志2025年第8期