融合注意力特征金字塔网络的焊点缺陷检测中的 YOLO 算法

Jan, 2024

融合注意力特征金字塔网络的焊点缺陷检测中的 YOLO 算法

YOLO algorithm with hybrid attention feature pyramid network for solder joint defect detection

Li Ang, Siti Khatijah Nor Abdul Rahim, Raseeda Hamzah, Raihah Aminuddin, Gao Yousheng

TL;DR为了提高生产制造过程中焊点缺陷检测的准确性和降低计算成本，本研究提出了一种混合关注机制，该机制由增强的多头自注意力和坐标注意力机制组成，能够提高网络感知上下文信息和学习局部特征的能力，从而使焊点缺陷检测的均方平均精度（mAP）达到 91.5%，比其他版本的算法要高。同时，在满足实时检测要求的前提下，也对平均精度、精确率、召回率和帧每秒指标进行了改善。

Abstract

Traditional manual detection for solder joint defect is no longer applied during industrial production due to low efficiency, inconsistent evaluation, high cost and lack of real-time data. A new approach has been proposed to address the issues of low accuracy, high false detection rate

solder joint defect surface mount technology hybrid attention mechanism manufacturing process detection accuracy

发现论文，激发创造

YOLOSA 基于 2D 局部特征叠加自注意力的物体检测

通过使用新颖的自注意力模块，将全局特征反映到局部特征和局部接受域，以及优化解耦头和 AB-OTA，我们提出的模型在大中小型模型上能够实现 49.0%（71FPS，14ms），46.1%（85FPS，11.7ms）和 39.1%（107FPS，9.3ms）的平均精度，超过了 YOLOv5 0.8%-3.1% 的平均精度。

Jun, 2022

注意力增强网络与增强的泛化性能更好的 YOLO 算法在安全头盔检测中的应用

在这项研究中，我们利用基于 Yolo 的模型用于安全头盔检测，在减少参数和 Flops 计数超过 25% 的同时，实现了 2% 的 mAP 性能改进。我们采用了 GhostNetv2 作为轻量级特征提取网络骨干，并结合了空间通道注意力网络 (SCNet) 和坐标注意力网络 (CANet) 等注意力模块，采用梯度规范感知优化器 (GAM) 提高了模型的泛化能力。本研究针对安全关键环境中头盔的准确检测和速度，在提高准确性的同时，改善了模型适应真实环境的能力。实验结果强调了 GhostNetv2、注意力模块和 GAM 优化器的协同效应，为安全头盔检测提供了一个全面的框架，达到了在准确性、泛化性和效率方面的卓越性能。

May, 2024

YOLOv8-AM：用于儿科腕部骨折检测的 YOLOv8 与注意力机制

使用改进的 YOLOv8-AM 模型，结合注意力机制，通过对断骨检测的实验结果，证明了该模型在改进性能方面的先进性。

Feb, 2024

轻量级木板缺陷检测方法，结合注意力机制和特征融合网络

提出了一种轻量级木质面板瑕疵检测方法 ——YOLOv5-LW，该方法结合了注意力机制和特征融合网络，并采用多种技术提高检测能力和计算效率，在自主开发的实验数据集上取得了 92.8% 的准确率，减少参数数量 27.78％，压缩计算体积 41.25％，提高检测推理速度 10.16％。

Jun, 2023

基于融合注意力机制的矿石分类网络

该研究提出了一种名为 OreYOLO 的方法，通过将注意机制和多尺度特征融合策略结合到金矿和硫化矿石的矿石数据中，提高了模型的检测性能和准确性。实验证明 OreYOLO 在金矿和硫化矿石分类训练中优于常用的高性能目标检测算法。

May, 2024

金 - YOLO：通过聚集与分发机制实现高效物体检测

在本研究中，我们提出了一种先进的 Gatherand-Distribute 机制（GD 机制），该机制借助卷积和自注意操作实现。我们设计的新模型 Gold-YOLO 在跨所有模型尺度上提升了多尺度特征融合能力并在延迟和准确性之间实现了理想的平衡。此外，我们首次在 YOLO 系列中实现了 MAE 风格的预训练，使得 YOLO 系列模型能够从无监督预训练中受益。Gold-YOLO-N 在 COCO val2017 数据集上取得了出色的 39.9％ AP 和在 T4 GPU 上的 1030 FPS，超过了以前的 SOTA 模型 YOLOv6-3.0-N 的相似 FPS +2.4％。

Sep, 2023

利用通道洗牌的深度学习加速金属表面缺陷检测

基于 YOLOv5 的改进型缺陷检测模型在钢表面上检测小且复杂的缺陷目标，在精度和检测时间方面表现优于其他可比较的模型。

Jun, 2024

BGF-YOLO: 基于多尺度注意力特征融合的改进 YOLOv8 用于脑肿瘤检测

该论文介绍了一种新颖的 BGFG-YOLO 架构，通过将 Bi-level Routing Attention（BRA）、Generalized feature pyramid networks（GFPN）、Forth detecting head 和 Generalized-IoU（GIoU）bounding box regression loss 结合到 YOLOv8 中，实现了对自动脑肿瘤检测的高准确性。实验结果显示，与 YOLOv8x 相比，BGFG-YOLO 在脑肿瘤检测数据集 Br35H 上的 mAP50 绝对增加了 3.4％，达到了 state-of-the-art 水平。

Sep, 2023

联合注意力引导特征融合网络用于表面缺陷的显著性检测

面部缺陷检查在工业生产过程中起着重要作用。尽管基于卷积神经网络（CNN）的缺陷检查方法取得了巨大进展，但仍然面临许多挑战，如缺陷尺度变化，复杂背景，低对比度等。为了解决这些问题，我们提出了一个基于编码器 - 解码器网络的联合注意力引导特征融合网络（JAFFNet）来进行表面缺陷的显著性检测。JAFFNet 主要将联合注意力引导特征融合（JAFF）模块并入解码阶段，以自适应地融合低级和高级特征。JAFF 模块学习强调缺陷特征，并在特征融合过程中抑制背景噪声，有益于检测低对比度的缺陷。此外，JAFFNet 在编码器之后引入了一个密集感受野（DRF）模块，用于捕捉具有丰富上下文信息的特征，有助于检测不同尺度的缺陷。JAFF 模块主要利用高级语义特征提供的学习联合通道 - 空间注意力图来引导特征融合。DRF 模块利用一系列多感受野（MRF）单元，每个单元将前面的所有 MRF 特征图和原始输入作为输入。得到的 DRF 特征捕捉了具有大范围感受野的丰富上下文信息。在 SD-saliency-900、磁砖和 DAGM 2007 上进行的大量实验表明，我们的方法在与其他最先进的方法进行比较时取得了有希望的性能。与此同时，我们的方法实现了每秒 66 帧的实时缺陷检测速度。

Feb, 2024

YOLO9tr：一种利用广义高效层聚合网络和注意力机制的轻量级路面损坏检测模型

本研究提出了 YOLO9tr，一种基于深度学习的新型轻量级目标检测模型，用于道路损坏检测，其在特征提取和注意力机制方面引入了部分注意力块，以提高在复杂情况下的检测性能，并通过多国的道路损坏图像数据集进行训练，扩展了损坏分类范围，并与 YOLO8、YOLO9 和 YOLO10 等先进模型相比具有更高的精度和推断速度，达到高达 136FPS 的帧率，适用于实时应用，该研究进一步验证了部分注意力块的有效性，突出了 YOLO9tr 在实时道路状况监测中的潜力，为维护安全和功能良好的道路基础设施提供了稳健和高效的解决方案。

Jun, 2024