DD-YOLOv5: 花色布匹瑕疵检测的深度学习提升策略

本文主要探讨了在纺织工业中花色布匹瑕疵检测的重要性和挑战。传统上，这一过程对于提升生产效率至关重要，但面临着诸如瑕疵目标小、分布不均、尺寸差异大以及与背景难以区分等问题。为解决这些问题，研究者提出了一个改进版的YOLOv5算法模型，即DD-YOLOv5。 首先，文章强调了YOLOv5网络作为基础，这是因其在实时物体检测领域表现出色。然而，为适应花色布匹瑕疵检测的需求，作者对YOLOv5进行了创新性优化。其中，采用了上下文变换器网络（CoTNet）作为骨干网络，这有助于增强模型的视觉表示能力，使其能够更好地理解和处理复杂场景中的细节。此外，引入了卷积注意力模块（CBAM），使得网络在处理信息时能够更加聚焦于关键特征，提高检测的准确性。 在检测阶段，为了应对小目标的检测难题，DD-YOLOv5特别设计了一个高分辨率的检测头，这有助于捕捉到更微小的瑕疵。传统的IoU（Intersection over Union）评估方法被替换为α-IoU，这是一种更为精确的目标检测度量方式，能够提高检测性能。 通过实验验证，改进后的DD-YOLOv5算法在花色布匹瑕疵数据集上的平均精度均值（mAP）相较于原生YOLOv5有显著提升，达到了8.1%。同时，该模型还保持了较高的检测速度，达到73.6Hz，这表明其在实际应用中具有高效和准确的优势。 总结来说，这篇论文的核心贡献在于提出了一种针对纺织工业特定需求的深度学习算法，通过结合CoTNet、CBAM和优化的检测头，成功提升了花色布匹瑕疵检测的精度和速度，这对于纺织行业的自动化生产和质量控制具有重要的实践价值。