一种基于元学习的改进YOLO钢管表面缺陷小样本检测模型

作     者：李凌波 田彦 江旭东 董宝力 LI Lingbo;TIAN Yan;JIANG Xudong;DONG Baoli

作者机构：浙江经济职业技术学院图书信息中心浙江杭州310018 浙江工商大学计算机科学与技术学院浙江杭州310018 浙江理工大学机械工程学院浙江杭州310018 

出 版 物：《机电工程》 (Journal of Mechanical & Electrical Engineering)

年 卷 期：2025年第42卷第5期

页      面：985-993页

学科分类：081203[工学-计算机应用技术] 08[工学] 080401[工学-精密仪器及机械] 0804[工学-仪器科学与技术] 0835[工学-软件工程] 081102[工学-检测技术与自动化装置] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

基　　金：国家自然科学基金资助项目(61972351) 浙江省自然科学基金资助项目(Z24F020002) 

主　　题：小样本目标检测 表面缺陷 元学习 特征网络 归一化注意力模块 平均准确率 双向特征金字塔网络(BiFPN) 

摘      要：针对产品表面缺陷样本数稀缺时的深度学习缺陷检测效果不佳问题,提出了一种基于元学习策略的改进YOLO-SBN模型,用于小样本缺陷检测。首先,为了提高提取全局特征信息的能力,采用了Swin Transformer作为骨干网络模型,引入注意力机制提取了特征图的判别能力;然后,为了提高特征融合能力并降低计算复杂度,通过加权双向特征金字塔网络(BiFPN)结构优化了特征提取器的颈部网络,平衡了YOLO-SBN模型的有效性和效率;最后,采用归一化注意力模块(NAM)优化权重调整了模块,增强了浅层缺陷特征的模型表达,并基于这些增强的特征进行了检测;使用金属表面热轧缺陷公开数据集NEU-DET验证了YOLO-SBN模型的算法性能。研究结果表明:对于小样本缺陷检测,YOLO-SBN模型在平均准确率(mAP)方面提高了4.1%;在新类缺陷样本规模数量为50的小样本情况下,改进后的检测模型对新类数据适应性最强。由此可见,该YOLO-SBN模型在提高检测精度和提升模型泛化能力方面具有一定优势。