袁 夢(mèng) 蘇工兵② 王 晶② 曾文豪②

（①武漢紡織大學(xué)機(jī)械工程與自動(dòng)化學(xué)院，湖北 武漢 430200；②湖北省數(shù)字化紡織裝備重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430200）

工業(yè)零件制造和生產(chǎn)中存在一些大小、形狀、種類各異的表面缺陷，尤其是形態(tài)多變的微小缺陷，既影響了產(chǎn)品質(zhì)量，也難以察覺。用傳統(tǒng)檢測(cè)方法[1-2]檢測(cè)起來耗時(shí)費(fèi)力，還難以做到實(shí)時(shí)精確檢測(cè)。近年來，隨著對(duì)小目標(biāo)檢測(cè)[3-5]領(lǐng)域的研究越來越深入，YOLO 系列[6-9]目標(biāo)檢測(cè)算法為開展這類研究提供了廣闊的應(yīng)用前景，不少研究者在此基礎(chǔ)上進(jìn)行了表面缺陷檢測(cè)算法的相關(guān)研究。劉亞姣等[10]提出1 種基于可變形卷積與多尺度-密集特征金字塔的型鋼表面缺陷檢測(cè)算法——Steel-YOLOv3。付思琴等[11]提出1 種基于改進(jìn)YOLOv4 的焊接件表面缺陷檢測(cè)算法，使用了輕量級(jí)網(wǎng)絡(luò) GhostNet 替換YOLOv4 的主干特征提取網(wǎng)絡(luò)（Backbone）CSPDarknet53，并在 GhostNet 網(wǎng)絡(luò)結(jié)構(gòu)中嵌入改進(jìn)的通道注意力機(jī)制。李鑫等[12]提出1 種改進(jìn)YOLOv5的鋼材表面缺陷檢測(cè)算法，使用GhostBottleneck 結(jié)構(gòu)替換原YOLOv5 網(wǎng)絡(luò)中的C3 模塊和部分卷積結(jié)構(gòu)，在BackBone 部分引入 SE 注意力機(jī)制；在網(wǎng)絡(luò)中增加1 個(gè)檢測(cè)層，并在Neck 部分增加特征融合結(jié)構(gòu)，使用DW 卷積替換部分標(biāo)準(zhǔn)卷積。這些改進(jìn)后算法的檢測(cè)平均精度和檢測(cè)速度都獲得了相應(yīng)提高，但存在一些不足，特別是對(duì)于零件表面形態(tài)各異的眾多微小缺陷來說，這些算法的檢測(cè)精度和推理速度遠(yuǎn)不及預(yù)期，無法滿足準(zhǔn)確度與實(shí)時(shí)性的識(shí)別需求。

針對(duì)上述問題，提出BCGS-YOLOv7 tiny 檢測(cè)網(wǎng)絡(luò)，通過對(duì)原YOLOv7-tiny 算法的特征提取網(wǎng)絡(luò)和特征融合網(wǎng)絡(luò)進(jìn)行改進(jìn)，增加針對(duì)小目標(biāo)的檢測(cè)模塊，從而增強(qiáng)零件表面各種微小缺陷的識(shí)別精度，同時(shí)也能平衡好檢測(cè)速度以滿足實(shí)際檢測(cè)的需求。

1 數(shù)據(jù)集構(gòu)建

原始數(shù)據(jù)集采用GC10-DET 公開數(shù)據(jù)集，共2 294張灰度圖像，分辨率為 2 048×1 000。為了檢驗(yàn)算法對(duì)微小缺陷的檢測(cè)性能，經(jīng)實(shí)驗(yàn)比較分析，將數(shù)據(jù)集中明顯檢測(cè)精度較高的沖孔、月牙彎和面積較大的絲斑、水斑、腰部折痕這5 類缺陷刪除。其余的折痕（crease） 、 油斑（ oil_spot） 、 夾雜物（inclusion）、凹坑（rolled_pit）和焊縫（welding_line）這5 類缺陷因面積微小、形態(tài)復(fù)雜異形，缺陷尺寸大小占比均不到5%，甚至夾雜物的尺寸大小占比不足1%，采用YOLO 系列原始架構(gòu)難以達(dá)到相應(yīng)精度。為此，以余下5 種微小缺陷的1 823張圖像為基礎(chǔ)，通過labelimg 對(duì)圖像重新標(biāo)注，并采用倒置、鏡像、增強(qiáng)亮度、高斯模糊及仿射變換的數(shù)據(jù)增廣方式增加樣本量，同時(shí)均衡樣本，得到9 000 張圖像及對(duì)應(yīng)標(biāo)簽，作為最終進(jìn)行實(shí)驗(yàn)對(duì)比的數(shù)據(jù)集。5 種缺陷的圖像標(biāo)注示例如圖1 所示。

圖1 5 種缺陷示例圖

2 BCGS-YOLOv7 tiny 算法

YOLOv7-tiny 算法是基于YOLOv7[13]算法的精簡(jiǎn)版本，它采用級(jí)聯(lián)的模型縮放策略，在保證檢測(cè)精度的前提下，實(shí)現(xiàn)了更少的參數(shù)量和更快的檢測(cè)速度，符合缺陷檢測(cè)的實(shí)際應(yīng)用需求。為了提高微小缺陷實(shí)時(shí)檢測(cè)的精度和速度，在YOLOv7-tiny 算法架構(gòu)的基礎(chǔ)上，通過在特征提取階段增加CBAM注意力機(jī)制，并用SPD-Conv 下采樣層代替原網(wǎng)絡(luò)的跨步卷積以及最大池化層；在特征融合階段將路徑聚合特征金字塔（PAFPN）網(wǎng)絡(luò)替換為BPANet網(wǎng)絡(luò)結(jié)構(gòu)，并在BPANet 網(wǎng)絡(luò)深層特征的傳遞通路增加gnCSP 模塊，同時(shí)用SPD-Conv 下采樣層替換跨步卷積，增強(qiáng)網(wǎng)絡(luò)對(duì)微小缺陷的檢測(cè)能力。重構(gòu)的BCGS-YOLOv7 tiny 檢測(cè)網(wǎng)絡(luò)結(jié)構(gòu)如圖2 所示。圖中的ELAN 模塊和SPPCSPC 模塊都在YOLOv7網(wǎng)絡(luò)對(duì)應(yīng)模塊的基礎(chǔ)上進(jìn)行了精簡(jiǎn)與優(yōu)化。

圖2 BCGS-YOLOv7 tiny 網(wǎng)絡(luò)結(jié)構(gòu)圖

2.1 增強(qiáng)網(wǎng)絡(luò)特征提取能力

重構(gòu)的缺陷數(shù)據(jù)集經(jīng)過原YOLOv7-tiny 的特征提取網(wǎng)絡(luò)后，特征圖尺寸最小會(huì)縮小為原圖像的1/32，小目標(biāo)的特征信息會(huì)嚴(yán)重丟失，導(dǎo)致原網(wǎng)絡(luò)對(duì)這些表面缺陷的檢測(cè)精度不高。因此，在特征提取階段將原網(wǎng)絡(luò)進(jìn)行改進(jìn)，通過增加CBAM 注意力機(jī)制，并用SPD-Conv 下采樣層代替跨步卷積和最大池化層，增強(qiáng)算法在特征提取階段對(duì)小目標(biāo)特征信息的保留與關(guān)注，提升小目標(biāo)的特征提取性能。

2.1.1 CBAM 注意力機(jī)制提升微小缺陷關(guān)鍵特征的敏感度

為了使特征提取網(wǎng)絡(luò)更好地提取微小缺陷的關(guān)鍵特征，引入CBAM 注意力機(jī)制[14]，通過對(duì)輸入特征在空間和通道兩個(gè)維度重要程度的學(xué)習(xí)，優(yōu)化特征融合網(wǎng)絡(luò)輸入端的特征，提升后續(xù)特征融合網(wǎng)絡(luò)性能。

CBAM 模塊包含 channel attention module （CAM模塊）和 spatial attention module （SAM 模塊）等兩個(gè)部分，總體結(jié)構(gòu)如圖3 所示。圖中⊕表示對(duì)應(yīng)元素相加操作，?表示哈達(dá)瑪積操作。

圖3 CBAM 模塊結(jié)構(gòu)圖

通道注意力模塊利用特征圖通道之間的關(guān)系來生成通道注意圖。首先將特征提取所得的特征圖FRHW×C在channel 維度通過平均池化和最大池化操作生成兩個(gè)C維向量，再將兩個(gè)向量分別通過共享MLP 結(jié)構(gòu)，生成大小為C×1×1 的通道注意力映射。將兩個(gè)映射進(jìn)行逐元素求和，最終得到每個(gè)通道的權(quán)重值。通道注意力計(jì)算如式（1）～式（3）所示。

式中：AvgPool表示平均池化操作；MaxPool表示最大池化操作；MLP表示兩層神經(jīng)網(wǎng)絡(luò)； σ表示sigmoid 激活函數(shù)。

空間注意力模塊利用特征空間之間的關(guān)系生成空間注意圖。將經(jīng)過通道注意力模塊優(yōu)化后的特征F′∈RHW×C作為空間注意力的輸入特征，沿通道軸應(yīng)用平均池和最大池操作得到兩個(gè)H×W×1 的特征圖，再將它們拼接起來組成一個(gè)H×W×2 的特征圖。接著運(yùn)用一個(gè)卷積核大小為7×7 標(biāo)準(zhǔn)卷積層進(jìn)行卷積，產(chǎn)生最后的二維空間注意力映射?？臻g注意力計(jì)算如式（4）所示。

給定輸入特征F∈RHW×C，CBAM 依次對(duì)其進(jìn)行通道注意力映射和空間注意力映射，整個(gè)注意力機(jī)制添加的過程如式（5）所示。

式中：F表示輸入特征圖；F'表示經(jīng)過通道注意力映射后的特征圖；F''表示經(jīng)過空間注意力映射后的特征圖；Mc表示通道注意力操作；Ms表示空間注意力操作； ?表示哈達(dá)瑪積操作。

2.1.2 SPD-Conv 下采樣層避免小目標(biāo)特征信息的丟失

為了避免小目標(biāo)的特征信息在特征提取降低分辨率的過程中丟失，引入SPD-Conv 下采樣層[15]替換特征提取網(wǎng)絡(luò)中的跨步卷積和最大池化下采樣操作，SPD 結(jié)構(gòu)能夠在保留通道維度的所有信息的前提下對(duì)特征圖進(jìn)行下采樣，對(duì)微小缺陷的精準(zhǔn)識(shí)別意義重大。

SPD-Conv 下采用層由SPD（space-to-depth）層和非跨步卷積層（Conv）構(gòu)成。

SPD 操作將大小為N×N×C1的特征圖M切分為4 組子特征圖，子特征圖按寬高分別為1/2 的比例對(duì)M進(jìn)行抽樣：在特征圖M上按2×2×C1的尺寸劃分出小網(wǎng)格，將每塊網(wǎng)格(0,0)、(1,0)、(0,1)、(1,1)位置的特征向量分別組成4 個(gè)大小為N/2×N/2×C1的子特征圖，并按順序在channel 維度拼接起來。通過以上操作將特征圖M(N,N,C1)，轉(zhuǎn)換為中間特征圖M′(N/2,N/2, 2C1)。

SPD 操作得到中間特征圖后，連接一個(gè)帶有C2個(gè)大小為1×1 的卷積核的非跨步（即stride=1）卷積層，其中C2＜2C1。使用非跨步卷積核能夠盡可能保留特征圖所有的細(xì)節(jié)信息，與小目標(biāo)檢測(cè)的目標(biāo)相符，且使用大小為1×1 的卷積核比使用大小為3×3 的卷積核計(jì)算量更少，更加節(jié)約運(yùn)算成本。SPD-Conv 層的運(yùn)算過程示意圖如圖4 所示。

圖4 SPD-Conv 下采樣層運(yùn)算示意圖

2.2 改善特征融合網(wǎng)絡(luò)性能

2.2.1 BPANet 網(wǎng)絡(luò)加強(qiáng)小目標(biāo)的特征融合

YOLOv7-tiny 的特征融合網(wǎng)絡(luò)沿用YOLOv5系列路徑聚合特征金字塔（PAFPN）網(wǎng)絡(luò)架構(gòu)，該結(jié)構(gòu)淺層特征需要通過較長(zhǎng)的通路才能到達(dá)輸出端與檢測(cè)頭連接，因此淺層小目標(biāo)的重要特征會(huì)逐步丟失，影響檢測(cè)效果。本研究借鑒BiFPN 網(wǎng)絡(luò)[16]的思想，提出了BPANet 特征融合網(wǎng)絡(luò)結(jié)構(gòu)。首先保持原網(wǎng)絡(luò)自上而下和自下而上的傳遞通路，在橫向同一尺度的淺、深層特征之間增加一條跳躍連線實(shí)現(xiàn)特征的再一次融合，使得網(wǎng)絡(luò)的輸出節(jié)點(diǎn)能夠保留淺層小目標(biāo)的重要信息，并結(jié)合三種不同深度特征的優(yōu)點(diǎn)，增強(qiáng)微小缺陷特征的表達(dá)。具體結(jié)構(gòu)如圖5 所示。

圖5 BPANet 結(jié)構(gòu)圖

此外，BPANet 網(wǎng)絡(luò)的每個(gè)輸出節(jié)點(diǎn)都進(jìn)行了可學(xué)習(xí)的參數(shù)加權(quán)，對(duì)不同特征的表達(dá)進(jìn)行增強(qiáng)或抑制，該方法能夠減輕由于多個(gè)目標(biāo)重疊而導(dǎo)致識(shí)別不準(zhǔn)確的問題。圖中P3～P5是特征提取網(wǎng)絡(luò)不同尺度的特征輸入,每個(gè)輸出節(jié)點(diǎn)的數(shù)學(xué)表達(dá)式見式（6）～式（11）。

式中：Conv表示卷積操作；Pin表示淺層輸入節(jié)點(diǎn)的特征；Ptd表示中間輸出節(jié)點(diǎn)的特征；Pout表示深層輸出節(jié)點(diǎn)的特征； ωi為每條路徑上的權(quán)重； δ為防止數(shù)據(jù)不穩(wěn)定的極小值，設(shè)置為 0.000 01。

2.2.2 gnCSP 模塊進(jìn)行高階空間交互

在深度模型中，由于大多數(shù)運(yùn)算是非線性的，兩個(gè)空間位置之間存在復(fù)雜且往往是高階的相互作用。Rao Y M 等[17]提出的遞歸門控卷積能夠高效實(shí)現(xiàn)任意階空間的相互作用，因此能夠獲取特征與其鄰近區(qū)域之間內(nèi)在的聯(lián)系，對(duì)于區(qū)分微小缺陷目標(biāo)與背景意義重大。

高階遞歸門控卷積（gnConv）的運(yùn)算過程如式（12）～式（14）所示，首先將輸入的特征M進(jìn)行線性投影后channel 產(chǎn)生相應(yīng)的變化，在channel維度切分后得到特征x0,y0,···,yn-1，再將獲取的特征依次輸入到門控卷積中進(jìn)行遞歸運(yùn)算。最后，將最終遞歸輸出的結(jié)果yn輸入到一個(gè)投影層。遞歸運(yùn)算的過程示意圖如圖6 所示。

圖6 gnConv 運(yùn)算示意圖

式中： φin表示對(duì)輸入特征的投影變換操作；表示點(diǎn)積操作； 1/α表示每次運(yùn)算的輸出特征按照 1/α進(jìn)行縮放使訓(xùn)練更平穩(wěn)；gk是運(yùn)算過程中保證維度相同的維度映射函數(shù)。

為了提升檢測(cè)頭的準(zhǔn)確度，并用盡可能低的計(jì)算量和占用內(nèi)存產(chǎn)生更優(yōu)的效果，本研究以遞歸門控卷積為基礎(chǔ)設(shè)計(jì)了gnCSP 模塊，具體結(jié)構(gòu)如圖7所示。設(shè)gnCSP 模塊的輸入為x，輸出為F(x)，將輸入特征分為兩個(gè)分支，一個(gè)分支直接進(jìn)行g(shù)nConv操作，另一個(gè)分支依次經(jīng)過gnConv和兩個(gè)以gnConv和MLP 結(jié)構(gòu)為主體的殘差結(jié)構(gòu)，最后將兩個(gè)分支拼接起來再次進(jìn)行g(shù)nConv操作。gnCSP 模塊將淺層細(xì)節(jié)特征與深層抽象特征結(jié)合在一起，能夠增加特征的重復(fù)利用率，在一定程度上避免了信息傳遞時(shí)特征的丟失。在連接輸出端的特征傳遞通路中添加gnCSP 模塊，有助于挖掘不同特征更加深層的內(nèi)在聯(lián)系，使輸出特征更加優(yōu)質(zhì)，提升后續(xù)檢測(cè)頭的準(zhǔn)確度，以較低的計(jì)算成本獲得更優(yōu)秀的檢測(cè)性能。

圖7 gnCSP 模塊結(jié)構(gòu)圖

2.2.3 SPD-Conv 下采樣層提升小目標(biāo)檢測(cè)性能

為了提高零件表面微小缺陷的檢測(cè)效果，在特征融合網(wǎng)絡(luò)也引入了SPD-Conv 下采樣層，用該模塊替換特征融合網(wǎng)絡(luò)深層特征傳遞通路中的跨步卷積層，避免丟失小目標(biāo)的特征信息，提升對(duì)小目標(biāo)的檢測(cè)能力。

3 實(shí)驗(yàn)對(duì)比與分析

3.1 實(shí)驗(yàn)配置與評(píng)測(cè)標(biāo)準(zhǔn)

從重構(gòu)的零件表面缺陷數(shù)據(jù)集9 000 張圖片中隨機(jī)抽取訓(xùn)練集、驗(yàn)證集和測(cè)試集，比例為8∶1∶1，即訓(xùn)練集7 200 張，驗(yàn)證集900 張，測(cè)試集900 張。實(shí) 驗(yàn) 采 用 的 硬 件 配 置 為 Intel Core i9-10900@2.80 GHz 處理器，顯卡為 NVIDIA GeForce RTX 3070Ti 8GB。 軟 件 環(huán) 境 為 CUDA11.6 和cuDNN8.3.2，操作系統(tǒng)為 Ubuntu18.04。網(wǎng)絡(luò)模型基于 Pytorch 框架搭建，python 版本為 3.8，pytorch版本為 1.12.1。本研究參考齊向明等[18]的參數(shù)設(shè)置，將 batch size 為 16，將epoch 設(shè)置為200，初始學(xué)習(xí)率為 0.01，最低學(xué)習(xí)率為0.000 1，動(dòng)量為0.937，權(quán)重衰減系數(shù)為 0.000 5。通過對(duì)數(shù)據(jù)集具體缺陷目標(biāo)及其標(biāo)注框特點(diǎn)的分析，將非極大值抑制的IoU閾值設(shè)置為 0.65。

為評(píng)價(jià)算法模型的有效性，采用精確率（precision, P）、召回率（recall, R）、均值平均精度（mAP）、模型計(jì)算量（FLOPs）和模型參數(shù)量（number of participants）5 個(gè)指標(biāo)作為模型的評(píng)估指標(biāo)。

P、R的表達(dá)式分別如式（15）、式（16）所示。

式中：TP為真正例；FP為假正例；FN為假負(fù)例。

P-R曲線以召回率R為橫軸，精確率P為縱軸構(gòu)成，該曲線是對(duì)不同置信度閾值下精確率和召回率的直觀圖像表示。AP是P-R曲線下的面積，反映精確率與召回率的綜合性能，表達(dá)式如式（17）所示。

mAP@0.5 是在交并比（IoU）閾值為0.5 的情況下，所有類別AP值的平均數(shù)，該指標(biāo)能夠衡量模型的整體性能，表達(dá)式如式（18）所示。

式中：n為類別個(gè)數(shù)。模型計(jì)算量用來評(píng)估模型的復(fù)雜度，模型參數(shù)量用來評(píng)估模型的體量。

訓(xùn)練過程中訓(xùn)練集和驗(yàn)證集的損失曲線如圖8所示，從圖中可看出BCGS-YOLOv7 tiny 網(wǎng)絡(luò)在迭代200 個(gè)epoch 的過程中分類損失、置信度損失和定位損失最終都能收斂于非常小的數(shù)值，達(dá)到實(shí)驗(yàn)預(yù)期。

圖8 損失曲線圖

3.2 實(shí)驗(yàn)結(jié)果分析

3.2.1 單個(gè)模塊實(shí)驗(yàn)分析

為了更加直觀地展示所提方法在零件表面缺陷檢測(cè)和識(shí)別方面的性能，本研究進(jìn)行了對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表1。

表1 單個(gè)模塊實(shí)驗(yàn)結(jié)果

由表1 可知，所提出的添加CBAM 注意力模塊、SPD-Conv 結(jié)構(gòu)、BPANet 特征融合網(wǎng)絡(luò)和添加gnCSP 模塊這4 種改進(jìn)方法，獨(dú)立使用均能夠使mAP@0.5 值得到提升，且精確率和召回率平衡的效果更好。同時(shí)SPD-Conv 結(jié)構(gòu)還能夠有效降低計(jì)算量，提升檢測(cè)效率。上述4 組對(duì)比結(jié)果表明，本研究提出的4 種方案均能提升零件表面微小缺陷的檢測(cè)效果，使網(wǎng)絡(luò)性能更加優(yōu)越。

3.2.2 消融實(shí)驗(yàn)

為了驗(yàn)證4 種改進(jìn)方案不同組合的改進(jìn)效果及其有效性，在采用相同軟硬件配置、相同參數(shù)設(shè)置的前提下，探究了原始YOLOv7-tiny 網(wǎng)絡(luò)模型與添加 2 種、 3 種和4 種改進(jìn)方案的不同優(yōu)化效果，并進(jìn)行對(duì)比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果見表2。

表2 消融實(shí)驗(yàn)結(jié)果

由表2 可知：（1）第1 組實(shí)驗(yàn)為不使用任何改進(jìn)方法的原YOLOv7-tiny 網(wǎng)絡(luò)檢測(cè)結(jié)果，作為后4 組實(shí)驗(yàn)的對(duì)比參照，mAP@0.5 值為85.6%。（2）第2 組實(shí)驗(yàn)運(yùn)用CBAM 注意力機(jī)制和BPANet 網(wǎng)絡(luò)兩種改進(jìn)方法，mAP@0.5 值提升了3.1%，對(duì)比使用單個(gè)改進(jìn)模塊效果都好，且模型計(jì)算量沒有太大提升。（3）第3 組實(shí)驗(yàn)運(yùn)用BPANet 網(wǎng)絡(luò)和gnCSP兩種改進(jìn)方法，mAP@0.5 值提升了3.9%，精確率和召回率也得到明顯提升。（4）第4 組實(shí)驗(yàn)運(yùn)用CBAM 注意力機(jī)制、SPD-Conv 模塊和BPANet 網(wǎng)絡(luò)3 種改進(jìn)方法，mAP@0.5 值為90.2%，優(yōu)于第二組實(shí)驗(yàn)結(jié)果并且參數(shù)量和計(jì)算量都有所下降。（5）第5 組實(shí)驗(yàn)運(yùn)用全部4 種改進(jìn)方案，mAP@0.5 值以及精確率、召回率達(dá)到最高。由上述分析可知，4 種改進(jìn)方案進(jìn)行組合能夠取得預(yù)想的改進(jìn)效果，使網(wǎng)絡(luò)對(duì)微小缺陷的檢測(cè)效果得到大幅提升。

3.2.3 性能對(duì)比實(shí)驗(yàn)

將所提出的BCGS-YOLOv7 tiny 網(wǎng)絡(luò)與原YOLOv7-tiny 網(wǎng)絡(luò)以及YOLOv5s 網(wǎng)絡(luò)進(jìn)行對(duì)比實(shí)驗(yàn)，結(jié)果見表3。

表3 不同模型實(shí)驗(yàn)結(jié)果對(duì)比

由表3 中數(shù)據(jù)可知，BCGS-YOLOv7 tiny 網(wǎng)絡(luò)對(duì)零件表面微小缺陷的識(shí)別精度大大優(yōu)于其他網(wǎng)絡(luò)，并且在精度和運(yùn)算效率之間取得了較好的平衡。

為了進(jìn)一步確定本算法對(duì)零件表面各類微小缺陷的檢測(cè)效果，將YOLOv5s 算法、YOLOv7-tiny 算法與BCGS-YOLOv7 tiny 算法在各類缺陷上的檢測(cè)精度（mAP@0.5）進(jìn)行對(duì)比，結(jié)果如圖9 所示。

圖9 3 種檢測(cè)算法精度對(duì)比圖

由圖9 可知，本研究算法對(duì)所有種類微小缺陷的檢測(cè)精度均有上升，由此進(jìn)一步證明本研究提出的網(wǎng)絡(luò)模型對(duì)零件表面微小缺陷的檢測(cè)具有突出效果，對(duì)于零件表面微小缺陷檢測(cè)的實(shí)際應(yīng)用具有重要意義。

改進(jìn)前后的網(wǎng)絡(luò)模型識(shí)別效果圖如圖10 所示，由圖10 可知YOLOv5s 網(wǎng)絡(luò)和YOLOv7-tiny 網(wǎng)絡(luò)均存在漏檢、誤檢、置信度較低、檢測(cè)缺陷區(qū)域不準(zhǔn)確等問題，BCGS-YOLOv7 tiny 模型對(duì)各類缺陷均有良好的檢測(cè)效果，對(duì)于具有難度的微小缺陷檢測(cè)與其他模型相比也有著更優(yōu)的效果。

圖10 3 種網(wǎng)絡(luò)模型識(shí)別效果圖

4 結(jié)語

以YOLOv7-tiny 網(wǎng)絡(luò)架構(gòu)為基礎(chǔ)，提出了一種端對(duì)端的實(shí)時(shí)推理模型——BCGS-YOLOv7 tiny，通過在重構(gòu)的零件表面微小缺陷數(shù)據(jù)集的實(shí)驗(yàn)表明，在特征提取階段可有效增強(qiáng)對(duì)小目標(biāo)的特征信息的保留與關(guān)注；在特征融合階段，能夠使淺層小目標(biāo)的重要特征與深層特征得到更好的融合，提高輸出端檢測(cè)頭的性能。BCGS-YOLOv7 tiny 網(wǎng)絡(luò)模型在驗(yàn)證集中的mAP@0.5 值達(dá)到了91.6%，比原YOLOv7-tiny 網(wǎng)絡(luò)提高了6.0%。模型參數(shù)量和計(jì)算量大大低于主流目標(biāo)檢測(cè)模型。該模型在檢測(cè)準(zhǔn)確度和檢測(cè)速度上取得了較好的平衡，對(duì)零件表面微小缺陷檢測(cè)具有重要的現(xiàn)實(shí)指導(dǎo)意義。