基于改进YOLOv5s与结构化剪枝的金属带材表面缺陷检测模型

《Scientific Reports》：High accuracy and lightweight surface defect detection of metal strips based on improved YOLOv5s

　　

摘要

针对金属带材表面缺陷类型多样、尺度变化显著以及小目标漏检率高等挑战，基于YOLOv5s架构提出了一种新型的YOLOv5s-SC表面缺陷检测模型。首先，采用K-means++算法优化锚框生成，并引入Shape-IoU损失函数以提升边界框回归精度。其次，通过集成C2f模块和可切换空洞卷积(SAC)改进骨干网络，以丰富梯度流动并增强多尺度特征提取能力；同时，使用RepGFPN和压缩-激励(SE)注意力机制升级颈部结构，以强化语义融合并聚焦缺陷关键区域。为实现资源受限的边缘设备部署，采用层自适应幅值剪枝(LAMP)方法对模型进行结构化压缩。在NEU-DET数据集上的实验结果表明，所提出的YOLOv5s-SC2模型达到了84.3%的平均精度均值(mAP@0.5:0.95)，相比基准YOLOv5s，mAP提升了4.4个百分点，精度(Precision)提升了9.6个百分点(85.8%对76.2%)。在2.5倍加速比的LAMP剪枝下，模型大小、计算量和内存分别减少至原始的56.2%、39.4%和56.9%，mAP仅下降0.2个百分点，为工业表面缺陷检测提供了高效且轻量的解决方案。