基于改进YOLOv5s的漆面缺陷检测算法OA北大核心CSTPCD

为满足当前智能工厂对漆面缺陷检测的要求,解决漆面缺陷检测时光线强度不均匀、缺陷小、正负样本数量差距悬殊等问题,提出一种基于像素聚类约束下的Copy-Paste数据增强方法和MiniYOLO轻量级算法。首先对漆面数据集每张图片进行光照强度下的像素聚类,通过复制粘贴相同光线条件下的目标缺陷,丰富数据集缺陷特征;在原始YOLOv5s基础上增加微尺度检测层对网络细化,采用K-means++算法对先验框进行再生,以提高模型对小目标的检测能力;最后在骨干网络中使用坐标注意力机制,以排除漆面中与缺陷类似的非缺陷的误检测问题。实验表明,MiniYOLO在漆面数据集上mAP达到了97.7%,模型大小仅为40.3 MB,能有效地满足实际工业生产的漆面检测需要。