一种基于元学习的改进YOLO钢管表面缺陷小样本检测模型.pdfVIP

425工Vol.42No.5

2025年5月JournalofMechanicalElectricalEngineeringMay2025

DOI:10.3969/j.issn.1001-4551.2025.05.018

一种基于元学习的改进YOLO钢管表面缺陷小样本检测模型∗

1233∗

李凌波,田彦,江旭东,董宝力

(1.浙江经济职业技术学院图书信息中心,浙江杭州310018;2.浙江工商大学

计算机科学与技术学院,浙江杭州310018;3.浙江理工大学机械工程学院,浙江杭州310018)

摘要:针对产品表面缺陷样本数稀缺时的深度学习缺陷检测效果不佳问题,提出了一种基于元学习策略的改进YOLO-SBN模型,用于

小样本缺陷检测。首先,为了提高提取全局特征信息的能力,采用了SwinTransformer作为骨干网络模型,引入注意力机制提取了特征

图的判别能力;然后,为了提高特征融合能力并降低计算复杂度,通过加权双向特征金字塔网络(BiFPN)结构优化了特征提取器的颈

部网络,平衡了YOLO-SBN模型的有效性和效率;最后,采用归一化注意力模块(NAM)优化权重调整了模块,增强了浅层缺陷特征的

模型表达,并基于这些增强的特征进行了检测;使用金属表面热轧缺陷公开数据集NEU-DET验证了YOLO-SBN模型的算法性能。研究

结果表明:对于小样本缺陷检测,YOLO-SBN模型在平均准确率(mAP)方面提高了4.1%;在新类缺陷样本规模数量为50的小样本情况下,

改进后的检测模型对新类数据适应性最强。由此可见,该YOLO-SBN模型在提高检测精度和提升模型泛化能力方面具有一定优势。

关键词:小样本目标检测;表面缺陷;元学习;特征网络;归一化注意力模块;平均准确率;双向特征金字塔网络(BiFPN)

中图分类号:TH878.3;TP391文献标识码:A文章编号:1001-4551(2025)05-0985-09

Improvedmeta-learningYOLO-basedfew-shot

objectdetectingmodelforsurfacedefectsinsteeltub

1233

LILingbo,TIANYan,JIANGXudong,DONGBaoli

(1.LibraryofInformationCenter,ZhejiangTechnicalInstituteofEconomics,Hangzhou310018,China;2.Schoolof

ComputerScienceandTechnology,ZhejiangGongshangUniversity,Hangzhou310018,China;3.Schoolof

MechanicalEngineering,ZhejiangSci-TechUniversity,Hangzhou310018,China)

Abstract:Aimingattheproblemofpoorperformanceindeeplearning-baseddefectdetectionduetothescarcityofsurfacedefectsamples,

t