| 使用环境 |
在铝型材生产过程中，用于检测铝型材表面的多种缺陷，擦花、漆泡、脏点。 |
| 使用对象 |
检测铝型材表面的7种不同类型尺度的缺陷，包括不导电、桔皮、起坑、擦花、喷流、漆泡和脏点。 |
| 使用目的 |
提高检测精度：通过改进YOLOv5s算法，提高对铝型材表面小目标缺陷的检测精度。 提升检测速度：优化模型结构，减少模型参数量，提高检测速度，满足实时检测 |
| 输入数据 |
图像数据：铝型材表面的RGB图像 标注数据：缺陷的标注信息，用于训练和验证模型 |
| 输出数据 |
缺陷类型：检测到的缺陷类型（不导电、桔皮、起坑等） 缺陷位置：缺陷在图像中的位置坐标 检测结果：是否检测到缺陷（是/否） |
| 硬件配置 |
CPU：AMD EPYC 7543
GPU：NVIDIA GeForce RTX 3090
内存：24GB |
| 样本获取 |
数据集：使用2018广东工业制造大数据创新大赛——铝型材表面瑕疵识别数据集，包含7种类型的缺陷，共1527张图像。通过数据增强（如水平翻转、竖直翻转、平移）扩充至3500张。 训练集/验证集：比例为8:1:1 |
| 测试结果 |
平均精度均值（mAP）：94.6%
参数量：6.79M
模型大小：16.1MB
推理速度：113.6 FPS |
| 执行速度 |
113.6 FPS |
| 资源消耗 |
CPU占用率：在训练过程中，CPU占用率约为60%。 内存占用：在训练过程中，内存占用约为50%。 |
| 源码类型 |
python版本：算法的主要实现语言为Python，适合快速开发和测试。 |
| 文件大小 |
算法程序文件约16K，权重文件约34M。 |
| 相关备注 |
高精度：通过IoU-K-means++算法优化锚框，C3C2F模块增强小目标语义信息，CARAFE模块保留小目标特征信息，显著提高了模型的检测精度。
轻量化：模型参数量减少到6.79M，模型大小减少到16.1MB，推理速度提高到113.6 FPS，更适合嵌入式部署。
鲁棒性：在复杂背景下表现出良好的鲁棒性，能够准确识别和定位小目标缺陷。 |
