DAC-YOLO：基于跨维度坐标注意力的精确苹果表面缺陷检测

《Journal of Food Measurement and Characterization》：DAC-YOLO: precise apple surface defect inspection via cross-dimensional coordinate attention

　　

摘要

作为全球温带水果产业中的关键水果，苹果需要精确的质量控制以保障企业的经济利益和消费者的食品安全。然而，现有的自动检测模型由于对小尺度特征挖掘不足、类别不平衡以及特征表示粗糙等问题，在质量分级中经常出现误判和偏差。为解决这些挑战，本研究提出了一种改进的苹果缺陷检测模型，称为DAC-YOLO。其核心创新在于：设计了一种高效的自适应下采样模块（ADown），以减轻小缺陷特征的损失；集成了空间跨维度协同注意力机制（SCCA），以更好地捕捉球形水果的自然曲线和微妙的表面纹理；以及利用双向特征金字塔网络（BiFPN）实现多尺度信息的高效聚合与深度融合。本研究在一个自建的苹果缺陷数据集以及多个公开基准数据集（COCO2017和VisDrone2019）上进行了广泛的对比实验。实验结果表明，DAC-YOLO在自建数据集上的平均精度均值（mAP）较基线模型提升了3.0%，同时在COCO2017和VisDrone2019上分别实现了2.2%和1.7%的mAP提升，显示出优越的泛化性能。重要的是，该模型参数仅为2.67 M，轻量化程度高，可轻松在资源受限的边缘设备上运行，满足工业分拣线对实时速度的严格要求，同时显著降低了细微缺陷的漏检率。本研究生成和/或分析的数据集可在Zenodo仓库中获取：https://doi.org/10.5281/zenodo。22,122,728。