论文标题:ECC-YOLO:一种改进的钢材表面缺陷检测方法s
数据来源:东北大学制作的公开数据集NEU-DET(钢材表面缺陷)
设备配置:AMD+a100
创新点:
1. 通过在主干特征提取网络中引入ConvNext 模块,用其替换主干网络中ELAN模块,为了增强网络对钢材表面细小缺陷的特征提取能力。
https://blog.csdn.net/weixin_54546190/article/details/124948176
https://zhuanlan.zhihu.com/p/576028895
2.设计一种新的C2fFB 模块,为了减少参数量,提升网络模型在钢材缺陷检测中的检测速度和精度的同时,也降低了计算成本。(自研,有点像引入C2f模块)
3.设计MPCE 模块,形成注意力池化模块,为了削弱复杂背景信息对钢材表面缺陷检测的干扰,使网络更加关注细小缺陷目标信息。MPCE 是在MPConv 的模块的基础上引入ECA 注意力机制模块的思想构建而成。将MPConv 模块中第二条分支的原先的CBS 模块替换成ECA 注意力机制模块。
效果:该模型的mAP达到77.2%,相较于YOLOv7,ECC-YOLO的检测精度提高了10.1%,模型参数量减9.3%。