基于YOLOv5改进模型的工业产品表面缺陷检测算法研究.pdfVIP

摘要

目前，随着物联网技术的迅猛发展，信息化浪潮席卷而来，“智慧工厂”备

受瞩目。在工业制造环境中，由于生产条件的多样性，产品可能出现划痕、裂

痕、斑块等各种缺陷，这些缺陷的存在会严重影响产品的使用寿命，甚至造成

安全隐患。作为工厂生产的关键环节，缺陷检测技术在智能产线上显得尤为重

要。近年来，利用计算机视觉技术进行缺陷识别检测已成为研究热点。然而，

这种方法在实际应用中仍然面临诸多挑战，包括缺陷数据集的不足、复杂背景

下模型检测精度不高、小缺陷识别能力差等问题。本研究旨在探讨工厂产线中

表面缺陷的识别与定位问题，将深度学习与联邦学习相结合，为工业生产提供

更可靠的缺陷检测方案。本文主要研究内容包括以下几个方面：

针对工业生产中缺陷形状不规则、大小不一导致检测准确率不高的问题，

本研究引入了深度学习中的目标检测模型，并提出了一个基于YOLOv5改进的

表面缺陷检测模型YOLO-DD。该模型的关键在于对主干特征提取网络与特征

融合网络进行了优化。在特征提取主干网络中，本研究创新性地设计了一种相

对距离感知模块，并将其嵌入到主干网络中，以提升检测模型的全局感知能力。

在特征融合网络方面，提出了一种信息填充策略，以弥补模型上下采样造成的

信息缺失。然后，引入注意力机制模块，使缺陷检测模型能够充分利用通道之

间的相互关系，更加聚焦于缺陷区域，从而增强网络的特征表达能力。本研究

在热轧带钢表面缺陷数据集上进行了实验验证，结果证明所提出的缺陷检测模

型在工业背景下产线缺陷检测方面具有良好的有效性与实用性。

针对各产线间存在“数据孤岛”、无法共享数据、资源无法充分利用等问题，

本文采用联邦学习技术，搭建基于横向联邦学习的缺陷检测模型Fed-DD。这使

得各产线在保护各自产线数据隐私的同时，能够充分利用多产线的数据资源，

共同建立一个性能更优的多产线协同缺陷检测模型。具体而言，使用联邦平均

算法部署了所设计的缺陷检测模型YOLO-DD，旨在将其应用于工业场景下的

缺陷检测的识别与定位。通过在增强后的公开热轧带钢缺陷数据集上进行实验，

证明了Fed-DD能够充分利用各产线间的资源，从而显著提高检测效果。同时，

通过实验比较了传统的各产线独立训练与基于联邦学习的多产线协同训练的效

果。接着，将Fed-DD与基于联邦学习的YOLOv5模型的缺陷检测模型进行了

实验比较，结果表明Fed-DD的性能更优。最后，通过参与联邦学习的产线客

户端比例对Fed-DD的性能影响进行了实验分析。

为了将缺陷检测模型进行系统化应用，本文设计并实现了工业表面缺陷检

测系统。该系统实现了对单张图片检测、图片批量检测、结果可视化、结果保

存等功能。通过该系统，能够方便地对单张图片或整个文件夹的缺陷图片进行

检测，并查看带有标注的检测结果，从而快速定位缺陷位置和类型。

关键词：智慧工厂；目标检测；缺陷检测；深度学习；联邦学习

ABSTRACT

Atpresent,withtherapidadvancementoftheInternetofThingstechnology,the

waveofinformationizationissweeping,withconsiderablefocusdirectedtowards

theconceptofsmartfactories.Intheindustrialmanufacturingenvironment,dueto

thediversityofproductionconditions,productsmayappearscratches,cracks,

plaquesandotherdefects,theexistenceofthesedefectswillseriouslyaffectthe

servicelifeoftheproduct,andevencausepotentialsafetyhazards.Asakeylinkin

factoryproduction,de