Lightweight wood panel defect detection method incorporating attention mechanism and feature fusion network

要約

近年、ディープラーニングにより木材パネルの欠陥検出が大幅に進歩しました。
ただし、検出力の低さ、検出速度の遅さ、木製パネルの表面への組み込みデバイスの展開の難しさなどの課題がまだあります。
これらの問題を克服するために、我々は、アテンションメカニズムと特徴融合ネットワークを組み込んだ、YOLOv5-LWと呼ばれる軽量の木製パネル欠陥検出方法を提案します。まず、許容可能な欠陥の検出能力を強化するために、マルチスケール双方向特徴を導入します。
機能融合ネットワークとしてのピラミッド ネットワーク (MBiFPN)。
MBiFPN は、特徴の損失を減らし、局所的で詳細な特徴を強化し、許容可能な欠陥に対するモデルの検出能力を向上させます。次に、軽量設計を実現するために、バックボーン ネットワークとして ShuffleNetv2 ネットワーク モデルを再構築します。
この再構築により、パフォーマンスを維持しながら、パラメーターの数と計算要件が削減されます。
また、軽量設計による精度の低下を補うために、Stem Block and Spatial Pyramid Pooling Fast (SPPF) モデルを導入し、計算効率を高めながらモデルの検出機能が損なわれないようにします。 3 番目に、Efficient Channel を組み込むことでバックボーン ネットワークを強化します。
アテンション (ECA)。欠陥検出に関連する重要な情報に対するネットワークの集中力が向上します。
重要な特徴に注意を払うことで、モデルは欠陥を正確に特定して位置特定するのにさらに熟練します。私たちは、独自に開発した木製パネルの欠陥データセットを使用して、提案された方法を検証します。実験結果は、改良された YOLOv5-LW 法の有効性を示しています。
元のモデルと比較して、私たちのアプローチは 92.8\% の精度率を達成し、パラメータ数を 27.78\% 削減し、計算量を 41.25\% 圧縮し、検出推論速度を 10.16\% 向上させました。

要約(オリジナル)

In recent years, deep learning has made significant progress in wood panel defect detection. However, there are still challenges such as low detection , slow detection speed, and difficulties in deploying embedded devices on wood panel surfaces. To overcome these issues, we propose a lightweight wood panel defect detection method called YOLOv5-LW, which incorporates attention mechanisms and a feature fusion network.Firstly, to enhance the detection capability of acceptable defects, we introduce the Multi-scale Bi-directional Feature Pyramid Network (MBiFPN) as a feature fusion network. The MBiFPN reduces feature loss, enriches local and detailed features, and improves the model’s detection capability for acceptable defects.Secondly, to achieve a lightweight design, we reconstruct the ShuffleNetv2 network model as the backbone network. This reconstruction reduces the number of parameters and computational requirements while maintaining performance. We also introduce the Stem Block and Spatial Pyramid Pooling Fast (SPPF) models to compensate for any accuracy loss resulting from the lightweight design, ensuring the model’s detection capabilities remain intact while being computationally efficient.Thirdly, we enhance the backbone network by incorporating Efficient Channel Attention (ECA), which improves the network’s focus on key information relevant to defect detection. By attending to essential features, the model becomes more proficient in accurately identifying and localizing defects.We validate the proposed method using a self-developed wood panel defect dataset.The experimental results demonstrate the effectiveness of the improved YOLOv5-LW method. Compared to the original model, our approach achieves a 92.8\% accuracy rate, reduces the number of parameters by 27.78\%, compresses computational volume by 41.25\%, improves detection inference speed by 10.16\%

arxiv情報

提供元, 利用サービス

arxiv.jp, Google