关键词：缺陷检测;K-Means算法;ConvNext;ECANet;YOLO
摘 要：为解决工业钢铁表面缺陷检测速度慢、准确度低问题，提出一种基于改进YOLOv5网络的检测方法。在YOLOv5网络的FPN特征金字塔模块中加入ECANet模块，以提高检测精度；利用K-Means算法在NEU-DET数据集上重新聚类，生成3组新的先验框，降低网络损失；针对钢铁缺陷的小目标特征，将ConvNext网络应用到YOLOv5的主干网络中，用ConvNext网络提取小目标缺陷特征，增强模型学习能力。实验结果表明，改进后的YOLOv5模型与原YOLOv5模型相比，mAP提升了3.84%,平均检测速率为36.9 frame/s,能够做到快速和准确的检测，满足实际应用需求。
内 容：原文可通过湖北省科技资源共享服务平台(https://www.hbsts.org.cn/)获取