基于多模態與自適應特征融合的鋼材表面缺陷檢測

摘 要：針對鋼材表面不同類型缺陷的形狀、深度差異以及尺寸偏小導致的缺陷檢測性能不足，造成檢測準確率偏低的問題，提出一種基于YOLOv5的多模態與自適應特征融合的鋼材表面缺陷檢測算法；采用多信息關聯金字塔池化單元，結合空洞卷積與特征注意力機制，增大目標感受野進行特征多模態融合，提高特征融合能力；針對小目標，采用多尺度特征融合雙塔模塊獲取更多深層信息，自適應累積注意力權重影響因子，在保留更多深層特征信息的前提下，提高深層特征對淺層特征的影響力，從而提高小目標檢測精度；引入輕量化卷積C3單元，提出混合深度可分離機制，以解決原始模型以及改進單元帶來的計算負擔，提高模型的檢測效率。實驗結果表明，改進的檢測模型比原始YOLOv5模型的檢測性能高5個百分點，檢測速度FPS值高28.6幀/s；在公開數據集NEU-DET上，改進算法的性能相較前沿算法提高0.9個百分點，檢測速度比前沿算法快1.2倍；在GC10-DET數據集上，改進算法的性能相較前沿算法提高0.5個百分點，檢測效率提高1.09倍。改進后的算法在保證檢測速度的同時能夠提高檢測準確度。

關鍵詞：鋼材缺陷檢測；輕量化；多尺度特征融合；累積注意力；YOLOv5；數據集

中圖分類號：TP39；TN391.41 文獻標識碼：A 文章編號：2095-1302（2025）07-00-07

0 引 言

鋼材是廣泛應用于建筑、制造和高新技術產業的常用工程金屬材料。然而，鋼材表面缺陷一直是制造業的重要問題，它會影響產品質量和安全性，造成經濟損失。傳統的人工檢測存在主觀性和效率低下的問題。為解決這些問題，將深度學習算法[1-3]廣泛應用于鋼材表面缺陷的自動檢測和分類，發現該方式具有高準確性和魯棒性[4-6]。

許多研究者在鋼材表面缺陷檢測領域進行了深入研究。他們提出了改進的算法和網絡結構，如改進網絡特征提取模塊[7-8]、注意力機制[9]、多級特征融合網絡[10]等，以提高檢測準確性和細節信息的提取能力。然而，現有方法在準確率、輕量化和檢測速度方面仍存在一些不足。

本文提出了一種基于多模態與自適應特征融合的鋼材表面缺陷檢測算法模型。該模型以YOLOv5為基礎，在保證準確率的同時，針對小目標缺陷檢測、速度和模型輕量化等問題進行了改進，提出了多信息關聯金字塔池化和多尺度特征融合雙塔模塊，以獲取更多深層信息并提高小目標檢測精度。同時，引入了輕量化卷積C3單元，以減輕計算負擔，滿足實際工業場景中對鋼材表面缺陷檢測的速度和精度要求。

1 YOLOv5算法概述

YOLOv5是一種One-Stage目標檢測算法，由輸入端、Backbone、Neck和Head組成[11]。它通過Mosaic數據增強、自適應錨框計算和自適應圖片縮放等技術來提高模型在復雜場景中的準確性和魯棒性。Backbone使用CBL、CSP和SPPF模塊來提取圖像特征，其中SPPF模塊通過多尺度最大池化來處理不同尺度下的特征信息，SPPF模塊示意圖如圖1所示。Neck利用PANet和FPNet進行自底向上和自頂向下的特征融合，生成多尺度的特征圖。Head包括GIOU損失和NMS非極大值抑制，用于目標檢測。

然而，SPPF模塊存在細節丟失和特征信息編碼不均勻的問題，PANet引入了額外的特征融合操作，增加了計算復雜度。此外，多尺度特征融合增加了計算負擔，尤其對于高分辨率圖像的處理[12-13]。因此，在保證準確性的同時，需要解決這些問題。

綜上所述，YOLOv5是一種優秀的目標檢測算法，但在細節保留、計算復雜度和高分辨率圖像處理方面仍有改進空間。

2 改進的YOLOv5算法

鋼材表面缺陷檢測任務存在兩個問題：尺寸差異大和小目標檢測性能不足。尺寸差異大增加了檢測難度，且YOLOv5對小目標的檢測受限于特征遺失和信息不足。為解決這些問題，本文對SPPF和FPNet進行了改進，提出了多信息關聯金字塔池化和多尺度特征融合雙塔模塊，同時引入了輕量化卷積C3單元來降低計算量，提升運算速度。

2.1 多信息關聯金字塔池化

SPPF是YOLOv5算法中的一種空間金字塔池化操作，用于處理不同尺度的輸入特征圖。SPPF池化操作會增加計算量，特別是當金字塔層級較多且輸入特征圖較大時，可能會導致網絡的訓練和推理速度變慢。此外，SPPF池化操作將特征圖分割為不同的區域進行池化，這可能導致一定程度上的空間信息丟失。針對上述兩個缺陷進行修改，加入上下文感知機制、注意力機制，通過跳躍連接將原始的低層特征與SPPF池化后的特征融合。這樣可以充分利用原始特征的空間信息，并提供更細粒度的特征表示。傳統的SPPF操作通常會在每個分割區域上應用全連接層，這可能會導致空間信息的丟失。為此，可以考慮使用卷積操作代替全連接層，以保留更多的空間信息。具體結構如圖2所示。

將上層輸入特征F經過1×1的卷積處理獲取F1，為了實現多維度特征的池化處理，同時獲取并保留更多維度的特征信息，采用注意力自適應權重CA選取淺層特征FA，注意力機制如圖3所示。

注意力機制作用于經過3×3卷積層處理的特征F2，自適應權重決定特征學習的比重。將F2與自適應權重引導的特征進行特征融合并經過1×1卷積獲取F2′，采用多層最大池化處理獲取多尺度目標特征信息F2′′′′。為了適應更大的感受野，采用空洞卷積，感受野大小r為3，此時進行增大感受野處理，獲取特征F3。由于原始輸入特征具有完整的特征信息，為了保證多尺度的特征信息，選取原始淺層特征信息，經過1×1卷積處理獲取F4，將特征F3以及多層池化特征F2′、F2′′、F2′′′、F2′′′′與F4進行信息融合，獲取FC。為了降低特征冗余且保證獲取的結果與輸入信息保持一致性，利用注意力自適應權重配合1×1卷積最終獲取特征信息FC′。

2.2 多尺度特征融合雙塔模塊

在YOLOv5結構中，Neck網絡負責對提取的特征進行融合處理。合理整合特征信息，可直接影響檢測模塊中識別單元的性能優劣，從而對整個檢測網絡的性能產生重要影響。特征融合如BiFPN結構[14]，采用雙向路徑，并采用了一種動態特征融合策略，以利用上下文信息，解決不同尺寸目標檢測問題，但特征融合策略可能會導致一些小目標的特征信息被稀疏化或丟失。由于小目標的特征圖通常較小，可能無法傳播到較高層級的特征圖中，從而影響了小目標的檢測性能。對于鋼材表面缺陷存在大量的小尺寸目標，BiFPN結構仍然存在不足。針對小目標的檢測，改進特征融合機制，如圖4所示。

圖4中C3、C4、C5、C6和C7代表在不同的卷積層獲取的特征，從C3到C7的過程代表下采樣，旨在獲取深層特征。其中C7通過1×1卷積改變通道數，獲取U7；對U7進行3×3卷積并與C7特征圖相加，再經過1×1卷積獲取P7特征，保證P7包含更多的特征信息。小目標往往在圖像中具有較低的信噪比和較小的尺寸，并且它們可能會受到圖像分辨率限制、背景干擾和遮擋等問題的影響。淺層特征可能無法很好地捕捉到這些細微的特征差異，對于小目標的上下文信息理解能力較弱。基于此，在網絡結構中設計利用深層特征信息對淺層特征進行干預，以保證上下文語義信息的結合。具體實現為：對C7采用1×1卷積進行處理，并添加注意力機制，以計算每個特征的權重比例。設定權重比例閾值為S，僅保留權重比例大于S的特征；接著對深層特征C7′、C6進行1×1卷積處理，對獲取的C6′和U7進行兩次上采樣融合，以此來加強特征信息。其中利用1×1卷積進行寬高尺度變換的公式為：

式中：FC表示進行轉置卷積；H、W代表圖像的長與寬；L代表通道數；K代表卷積核大小，此處為1，即進行1×1的卷積。

式中：Foutput表示每個特征點的權重比例，與設定的權重閾值S作比較，若大于閾值則保留對應特征；F表示融合后的特征U6。

為了使深層特征權重更全面地影響淺層特征，提出一種自適應融合注意力機制，對于跨區域連接獲取的U6、U5、U4、P3采用依次累加多層注意力權重的方式獲取特征比重。具體實現為：針對U6，對由C7獲取的C′7進行注意力計算，以此獲取特征比重得分；針對U5，為了增強深層特征的選擇性，需要對C′7和C′6先進行反卷積，再進行1×1卷積后，與C′5實現特征融合，以此獲取特征比重得分；針對U4，則是先對C′7、C′6、C′5、C′4進行特征融合，再進行特征比重得分計算。針對P3，則是對C′7、C′6、C′5、C′4以及U4′進行特征融合，再計算特征比重得分。對于最終的得分計算，先對特征融合結果進行最大池化與平均池化計算，為了使模型輕量化，對計算結果進行兩次1×1卷積計算，代替傳統通道注意力的MLP全連接計算，將最大池化與平均池化相加并通過Sigmoid函數計算權重得分。自適應融合注意力機制流程如圖5所示。其中C′N代表CN層經過1×1卷積獲取的特征，N=5， 6， 7。

模仿BiFPN結構，采用雙向路徑，對于起始淺層特征C3，先采用1×1卷積獲取C′3，對C′7、C′6、C′5、C′4采用自適應注意力機制并作用于U4，經過轉置卷積與1×1卷積獲取U′4，并將其與C′3進行特征融合，獲取P3。

2.3 輕量化卷積C3單元

C3結構是YOLO模型的主要組成部分，負責特征信息的提取與傳遞。但C3結構中的級聯子網絡會增加模型的計算復雜度。每個子網絡都需要進行前向傳播和反向傳播，導致整體模型的訓練和推理時間增加；同時由于在多信息關聯金字塔池化結構中引入多線特征融合以及在Neck多尺度特征融合模塊引入累計注意力權重機制，增加了計算復雜度。在保證檢測精度的前提下，對C3模塊進行改進，引入混合深度可分離機制GMS。其主要骨干單元如圖6所示.

骨干單元一（stride=1）的結構類似于ResNet，集成了多個卷積層和shortcut。骨干單元二（stride=2）通過深度可分離卷積減少通道數，并使用shortcut連接輸入和輸出。其中GMS的主要網絡結構圖（以stride=2為例）如圖7所示。

對于輸入的特征進行卷積，經過BN與ReLU獲取新的特征分量F1，將特征通道平分為F11與F12，再將F11接入混合深度可分離機制（如圖7中虛線框內部分）進行通道分離形成殘差分支；先利用1×1卷積降維，再利用卷積核為3、步長為2的深度可分離卷積進行特征學習，最后進行1×1卷積升維。由于步長為2，為實現融合，對特征圖進行下采樣，對殘差連接分支采用stride=2的3×3全局平均池化，將主干輸出特征和分支特征進行Concat；采用通道混洗，實現各通道之間的信息交互，獲取結果F ′11，將F ′11與F12進行Concat實現特征傳遞。

3 仿真實驗

3.1 數據集

3.1.1 NEU-DET數據集

NEU-DET數據集源自于東北大學，該數據集收集了熱軋帶鋼的常見缺陷。NEU-DET數據集包含6個類別的缺陷，分別是：劃痕（Scratches， Sc）、開裂（Crazing， Cr）、氧化皮（Rolled-in-Scale， RS）、夾雜物（Inclusion， In）、點蝕（Pitted-Surface， PS）以及斑塊（Patches， Pa）。每種缺陷類型中包含300張圖像，每張圖像的原始分辨率為200×200，圖像采用高速線陣灰度相機獲得。實驗選取訓練集、驗證集以及測試集的比例為7∶1∶2，部分帶標簽的圖像如圖8所示。

3.1.2 GC10-DET數據集

GC10-DET是在真實工業場景中收集的鋼材表面缺陷數據集。GC10-DET數據集包含10個類別的鋼材表面缺陷，分別是：腰部折痕（Wf）、沖孔（Pu）、折痕（Cr）、焊縫（Wl）、軋坑（Rp）、新月形縫隙（Cg）、夾雜物（In）、水斑（WS）、絲斑（Ss）、油斑（Os）。該數據集包含3 570張灰度圖像，圖像尺寸為2 048×1 000。實驗選取訓練集、驗證集以及測試集的比例為7∶1∶2。部分帶標簽的圖像如圖9所示。

3.2 實驗環境

實驗選擇的相關軟件、平臺以及工具見表1。

性能驗證實驗分別在原始YOLOv5以及添加各個創新單元的YOLOv5結構上進行。在訓練過程中，訓練批次設置為100，批量大小設為16，初始學習率為0.001，衰減系數為0.000 5，動量設為0.937，圖片大小設為640×640。

3.3 度量標準

本文采用的主要評價指標為平均精度均值（mAP）、檢測速度（FPS）。

準確率P是指在目標檢測中模型預測的準確率，如式（9）所示：

式中：TP代表正樣本預測為正；FP代表負樣本預測為正。

平均精度AP是以召回率R為積分變量，準確率P為積分函數，在0到1的區間內進行積分，如式（10）所示：

平均精度均值mAP是對AP求取平均值，以此衡量檢測精度，如式（11）所示：

檢測速度（FPS）是指模型推理的速度，如式（12）所示：

3.4 對比實驗分析

為驗證改進方法的有效性，對本文提出的多信息關聯金字塔池化MAPP、多尺度特征融合雙塔模塊MFTM以及輕量化LCC3進行消融實驗對比。以NEU-DET數據集為數據載體，實驗結果見表2。

實驗證明，本文所提方法的鋼材缺陷檢測精度為81.8%，相對原始的YOLOv5s模型提高了5個百分點。這得益于添加的SPPF優化模塊MAPP單元以及多尺度特征融合雙塔模塊MFTM。這些模塊通過融合多尺度信息、提取上下文信息并保留權重信息，有效彌補了原始模型中可能丟失的特征信息，從而顯著提高了模型的檢測精度。在檢測速度方面，在僅保留MAPP單元與MFTM單元的情況下，檢測速度為92.7幀/s，小于原來的111.2幀/s，這是由于MAPP單元與MFTM單元為了獲取更多的深層信息，相對原始YOLOv5s模型引入了更多的計算單元。在加入LCC3模塊后，檢測速度為139.8幀/s，相對原始模型檢測速度提高28.6幀/s，證明采用混合深度可分離機制可以在保證精度下降較小的前提下提高檢測速度。

總之，在不考慮速度的前提下，即不加入混合深度可分離機制，缺陷檢測精度取得最高值83.1%，高于加入混合深度可分離機制的81.8%，兩者相對原始的YOLOv5s模型分別提高了6.3個百分點和5個百分點，證明了方法的可靠性。

為了將改進后的算法與鋼鐵缺陷檢測領域內的最新算法進行性能優劣對比，選擇在NEU-DET和GC10-DET數據集上分別進行實驗。基于NEU-DET數據集，選擇與SSD300、RDD-YOLO、YOLOv5s、YOLOv5+CA-ASPP、YOLOx（s）、DDN+ResNet34、DDN+ResNet50、DANet進行對比[15-17]，各類缺陷的檢測平均精度AP以及整體的mAP結果見表3。

由表3可知，YOLOv5+CA-ASPP模型的mAP比YOLOv5s高1.33個百分點，為防止位置敏感特征丟失，該模型采用先平均池化，再在空間維度通過水平與垂直平分獲取更多的特征信息，相比原始YOLOv5s有所改進，但未考慮深層特征與淺層特征的相關性。DDN+ResNet50是基于NEU-DET數據集的基準模型，mAP為82.3%，分別比YOLOx（s）、YOLOv5+CA-ASPP、DANet、RDD-YOLO高5.49、4.17、4.03、1.2個百分點。本文所提方法在不加LCC3的情況下，mAP為83.2%，比DDN+ResNet50模型高0.9個百分點。在單個類別上，本文改進的YOLOv5（無LCC3）分別在Sc、Cr、In這三個類別上取得了最高的單類AP值，在其他三類上相對最高值存在較小的差距。證明本文通過添加MAPP單元避免了分割多個尺度空間造成的特征丟失，通過添加MFTM單元獲取感興趣特征的方式顯著提高了缺陷識別準確率。

為驗證方法的效率，針對每類方法的檢測速度進行了對比，結果見表4。

由表4可知，在同時添加MAPP模塊、MFTM模塊的條件下，本文方法的檢測速度是DDN+ResNet50網絡的8.4倍，證明DDN+ResNet50擁有更復雜的計算過程，導致效率相對較低。但本文所提方法在不加LCC3的情況下，檢測速度比原始的YOLOv5s慢18.5幀/s，比YOLOx（s）模型慢20.2幀/s，在檢測性能比YOLOv5s、YOLOx（s）分別高出6.4和6.39個百分點的前提下，整體性能在可接受的范圍。同時為驗證改進模型的最快速度，加入LCC3模塊，取得139.8幀/s的速度，是YOLOx（s）模型的1.2倍，同時mAP值高于原始的YOLOv5s和YOLOx（s）模型。

為充分驗證算法的有效性，在GC10-DET數據集上進行實驗，與基于該數據的基準模型EDDN、Kou、VFNet、FANet、YOLOv5-GAMAttention [18-22]進行比較。各類缺陷的AP值以及整體mAP值見表5。

由表5可知，在單個類別的檢測AP值方面，本文添加了MAPP模塊、MFTM模塊的網絡結構，在10類缺陷中有6類取得了最優值，分別為Wl、Cg、WS、In、Rp以及Wf，優于其他對比算法，而對于其他4類缺陷的檢測精度還有待提高。本文添加了MAPP模塊、MFTM模塊的網絡結構的mAP值為83.3%，比YOLOv5-GAMAttention模型高0.5個百分點，證明本文方法的整體檢測性能優于現有的檢測方法。

各方法的檢測效率對比結果見表6。

從表6中可以看出，本文方法在未加LCC3模塊的情況下，其檢測性能分別比EDDN、Kou、VFNet、FANet、YOLOv5-GAMAttention高18.1、12、6.3、2.8、0.5個百分點。在檢測速度方面，本文改進的YOLOv5（無LCC3）相較于EDDN、VFNet、FANet、YOLOv5-GAMAttention提高2.84倍、2.26倍、2.32倍、1.09倍。證明本文所提方法在保證檢測精度的同時可以更快地完成缺陷檢測。在添加混合深度可分離機制后，檢測速度相對未加LCC3模塊的方法提高了1.25倍，但檢測精度降低了1.2個百分點。

為了驗證改進模型的實際檢測能力，本文分別對改進前后的模型進行訓練，缺陷檢測效果如圖10所示，對于開裂、點蝕類缺陷的檢測，原始的YOLOv5檢測存在誤識別的情況，并且對于開裂、點蝕類型缺陷位置的識別也存在一定誤差；而改進后的YOLOv5可以準確識別出開裂、點蝕類缺陷的位置。對于夾雜物、氧化皮、劃痕、斑塊類缺陷的檢測，改進后的YOLOv5相對改進前可以更準確地檢測出夾雜物的位置，尤其對于小目標劃分得更細致，如針對斑塊類缺陷可以識別到更多小缺陷以及準確的數量。表明本文方法有效提升了模型對于各尺寸鋼材缺陷的檢出能力，增強了模型魯棒性。

4 結 語

針對鋼材表面缺陷形狀差異、小尺寸以及環境因素導致缺陷難以準確檢測的問題，本文提出了一種改進YOLOv5模型結構的缺陷檢測算法。通過采用多信息關聯金字塔池化MAPP，實現注意力機制以及空洞卷積的結合，同時充分利用了淺特征信息；為避免FPN結構輸出檢測結果時存在特征損失，加入了多尺度特征融合雙塔模塊MFTM，利用自適應注意力累計特征權重，關聯上下文特征信息；針對改進機構增加的計算負擔以及原始C3卷積單元的計算量大的問題，采用LCC3模塊代替C3結構，實現整體結構的輕量化，提高了檢測效率。

本文通過消融實驗、對比實驗驗證了所提方法的可靠性，在消融實驗中改進的模型結構相對原始YOLOv5的mAP值提高了5個百分點，且檢測速度提升了28.6幀/s。在對比實驗中，基于NEU-DET數據集，本文改進算法的mAP值相較DDN+ResNet50提高了0.9個百分點，速度是YOLOx（s）模型的1.2倍。基于GC10-DET數據集，本文的改進算法相較YOLOv5-GAMAttention提高了0.5個百分點，檢測速度提高了1.09倍。表明本文改進后的算法具有更高的檢測性能與魯棒性。

注：本文通訊作者為鄒伯昌。

參考文獻

[1] WANG L， LIU X， MA J， et al. Real-time steel surface defect detection with improved multi-scaleYOLOv5 [J]. Processes， 2023， 11（5）： 1357.

[2] ZHOU X， WEI M， LI Q， et al. Surface defect detection of steel strip with double pyramid network [J]. Applied sciences， 2023， 13（2）： 1054.

[3] LI S， KONG F， WANG R， et al. EFD-YOLOv4： A steel surface defect detection network with encoder-decoder residual block and feature alignment module [J]. Measurement， 2023， 220： 113359.

[4] ZHAO C， SHU X， YAN X， et al. RDD-YOLO： a modified YOLO for detection of steel surface defects [J]. Measurement， 2023， 214： 112776.

[5] YAN R， ZHANG R， BAI J， et al. STMS-YOLOv5： a lightweight algorithm for gear surface defect detection [J]. Sensors， 2023， 23（13）： 5992.

[6] ZHAO S L， LI G， ZHOU M L， et al. ICA-Net： Industrial defect detection network based on convolutional attention guidance and aggregation of multiscale features [J]. Engineering applications of artificial intelligence， 2023， 126： 107134.

[7]谷長江，高法欽.改進YOLOv5s的鋼材表面缺陷檢測[J].軟件工程，2023，26（8）：31-34.

[8]曹樂樂，羅恒，張鵬.基于YOLOv5算法改進的鋼材表面缺陷檢測[J].科技創新與應用，2023，13（26）：66-69.

[9] HE Y， SONG K， MENG Q， et al. An end-to-end steel surface defect detection approach via fusing multiple hierarchical features [J]. IEEE transactions on instrumentation and measurement， 2019， 69（4）： 1493-1504.

[10] ZHOU M， LU W. Defect detection in steel using a hybrid attention network [J]. Sensors， 2023， 23（15）： 6982.

[11] XIA K， Lü Z， ZHOU C， et al. Mixed receptive fields augmented YOLO with multi-path spatial pyramid pooling for steel surface defect detection [J]. Sensors， 2023， 23（11）： 5114.

[12] WANG B， WANG M， YANG J， et al. YOLOv5-CD： Strip steel surface defect detection method based on coordinate attention and a decoupled head [J]. Measurement： sensors， 2023， 30： 100909.

[13] SONG M， LI Y， ZHANG S， et al. A lightweight detection algorithm for steel surface defects based on improved YOLOv5 [C]//Sixth International Conference on Computer Information Science and Application Technology （CISAT 2023）. Hangzhou， China： SPIE， 2023： 83-88.

[14] MEHTA M. AFF-YOLO： A real-time industrial defect detection method based on attention mechanism and feature fusion [J]. Computers and electronics in agriculture， 2023.

[15] IRIE K， NISHIKAWA K. Detection method from 4K images using SSD300 without retraining [C]// 2022 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference （APSIPA ASC）. Chiang Mai， Thailand： IEEE， 2022： 877-883.

[16] GE Z， LIU S， WANG F， et al. YOLOx： Exceeding YOLO series in 2021 [J]. arXiv preprint arXiv： 2107. 08430， 2021.

[17]張世強，史衛亞，張紹文，等.基于改進YOLOv5算法的鋼鐵表面缺陷檢測[J].科學技術與工程，2023，23（35）：15148-15157.

[18] YEUNG C C， LAM K M. Efficient fused-attention model for steel surface defect detection [J]. IEEE transactions on instrumentation and measurement， 2022， 71： 1-11.

[19] Lü X， DUAN F， JIANG J J， et al. Deep metallic surface defect detection： The new benchmark and detection network [J]. Sensors， 2020， 20： 1562.

[20] KOU X， LIU S， CHENG K， et al. Development of a YOLO-V3-based model for detecting defects on steel strip surface[J]. Measurement， 2021， 182： 109454.

[21] ZHANG H， WANG Y， DAYOUB F， et al. VarifocalNet： An IoU-aware dense object detector [C]// Proceedings of 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition （CVPR）. Nashville， TN， USA： IEEE， 2021： 8514-8523.

[22] LI Z， ZHANG Y， FU X， et al. Metal surface defect detection based on improved YOLOv5 [C]// 2023 3rd International Symposium on Computer Technology and Information Science （ISCTIS）. Chengdu， China： IEEE， 2023： 1147-1150.

收稿日期：2024-04-11 修回日期：2024-05-13