Leichtgewichts-Stripstahlfehlererkennungsalgorithmus basierend auf verbessertem YOLOv7

Die präzise Identifizierung von Oberflächenunregelmäßigkeiten in Stahlstreifen ist entscheidend für die Gewährleistung der Qualität von Stahlprodukten. Um die Herausforderungen zu bewältigen, die durch die erhebliche Modellgröße und die Rechenkomplexität aktueller Algorithmen zur Erkennung von Oberflächenfehlern in Stahlstreifen entstehen, stellt dieses Papier SS-YOLO (YOLOv7 für Stahlstreifen) vor, ein verbessertes leichtes YOLOv7-Modell. Diese Methode ersetzt das CBS-Modul im Backbone-Netzwerk durch ein leichtes MobileNetv3-Netzwerk, wodurch die Modellgröße reduziert und die Inferenzzeit beschleunigt wird. Das D-SimSPPF-Modul, das tiefen-separierbare Faltung und einen parameterfreien Aufmerksamkeitsmechanismus integriert, wurde speziell entwickelt, um das ursprüngliche SPPCSPC-Modul im YOLOv7-Netzwerk zu ersetzen, wodurch das Rezeptivfeld erweitert und die Anzahl der Netzparameter reduziert wird. Der parameterfreie Aufmerksamkeitsmechanismus SimAM ist sowohl im Nacken-Netzwerk als auch im Vorhersageausgabebereich integriert, wodurch die Fähigkeit des Modells, wesentliche Merkmale von Streifenoberflächenfehlern zu extrahieren, verbessert und die Erkennungsgenauigkeit erhöht wird. Die experimentellen Ergebnisse des NEU-DET-Datensatzes zeigen, dass SS-YOLO eine mAP50-Genauigkeit von 97 % erreicht, was einer Verbesserung von 4,5 % gegenüber der von YOLOv7 entspricht. Darüber hinaus gab es eine Reduzierung der FLOPs(G) um 79,3 % und einen Rückgang der Parameter um 20,7 %. Somit zeigt SS-YOLO ein effektives Gleichgewicht zwischen Erkennungsgenauigkeit und Geschwindigkeit und behält gleichzeitig ein leichtes Profil bei.