ComputerEraNo.920230引言在工业实际生产过程中，由于加工不当、设计偏差、环境恶劣以及其他因素导致产生的金属表面缺陷（如折痕、压痕、油斑、异物、冲孔等）往往是造成重大安全事故的元凶[1]。对金属表面缺陷的检测，传统的检测方法是人工检测，但由于人的劳动强度大、生产效率低以及对人员的专业知识要求高等原因，导致检测的效率大大折扣。因此，开发一种有效、准确的检测方法势在必行。近年来，随着深度学习的发展，越来越多的研究将深度学习用在缺陷检测，并取得了不错的效果。目前，主要有以FasterRCNN[2]为代表的两阶段目标检测算法和以SSD[3]和YOLO[4]为代表的一阶段目标检测算法。FasterRCNN在精度上远超其他算法，但由于需要在候选区域筛选，导致速度上存在不足，而兼顾速度和精度的YOLO算法则为金属表面缺陷检测提DOI:10.16644/j.cnki.cn33-1094/tp.2023.09.011基于改进YOLOv7的金属表面缺陷检测方法冷浩1，夏骄雄2(1.上海理工大学光电信息与计算机工程学院，上海200093；2.中共上海市教育科学研究院委员会)摘要：针对金属表面缺陷检测中不同缺陷之间存在相似性以及小目标缺陷的问题，提出一种基于改进YOLOv7的金属表面缺陷检测算法。首先通过构建更大的高效层聚合网络（V-ELAN）模块来有效增强网络对不同缺陷间差异较小的学习能力。其次在Neck部分结合空间通道双重注意力机制，提升对图像中小目标特征提取能力，减少无用特征的干扰；采用AlphaIOU损失函数替换原来的CIOU损失函数，加速网络收敛，提高网络的鲁棒性。最后引入深度可分离卷积，在降低网络的参数量和计算量的同时尽可能减少精度损失。结果表明，改进后的YOLOv7网络模型较原来YOLOv7网络模型提升了3.6%，且mAP达到79.0%，模型大小减少了4.4%，检测效果要优于原网络模型和其他主流目标检测网络模型。关键词：金属表面缺陷检测；YOLOv7；小目标检测；注意力机制；损失函数中图分类号：TP399文献标识码：A文章编号：1006-8228(2023)09-48-06MetalsurfacedefectdetectionmethodbasedonimprovedYOLOv7LengHao1,XiaJiaoxiong2（1.SchoolofOptical-ElectricalandComputerEngineering,UniversityofShanghaiforScienceandTechnology,Shanghai200093,China;2.CommitteeofShanghaiAcademyofEducationalSciencesoftheCommunistPartyofChina）Abstract：Aimingatthesimilaritybetweendifferentdefectsandsmallobjectdefectsinmetalsurfacedefectdetection,animprovedYOLOv7-basedmetalsu...
