关键词：钢铁零件表面缺陷;YOLOv5;Focal-EIOU Loss;全局注意力机制;C2f
摘 要：针对传统YOLOv5算法在钢铁零件表面缺陷检测过程中存在诸多难分类样本，全局特征提取不足导致检测精度较低等问题，提出了一种基于YOLOv5-FGC的钢铁零件表面缺陷检测方法。该方法引入Focal-EIOU Loss替换预测框回归的CIOU损失函数，提高了模型的收敛速度和准确率，使边框回归更为精准；在Backbone中加入全局注意力机制（Global Attention Mechanism, GAM），提高全局特征提取能力，对空间和通道中的重要特征进行强化；通过加入C2f模块增加网络模型的梯度路径，让网络能够提取更多的特征，加强了特征提取的鲁棒性，提高了网络对钢铁零件缺陷的检测精度。对比试验以及消融实验表明，改进后的YOLOv5-FGC算法在NEU-DET数据集中的裂纹、夹杂、斑块、压入氧化皮、麻点、划痕六类缺陷中检测的平均精度达到了78.2%，在YOLOv5原始网络模型基础上mAP值提高了4.7%，对比Faster RCNN模型提高了36.7%,FPS达到了91帧/s，能够快速、准确的对钢铁零件表面缺陷进行检测。
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