摘要：【目的】为解决烟包外观检测中目标与背景相混淆、缺陷目标较小不易识别的问题。【方法】基于YOLOv5s的改进，提出了一种融合特征增强与多尺度的烟包外观缺陷检测方法。首先在特征提取网络中引入特征重提取模块，并采用空间-深度层和非跨步卷积组合，减少信息丢失并保留小目标特征。然后在特征提取网络的最深层引入上下文注意力模块，通过学习上下文信息，使用可变形卷积提取小目标特征，增强对目标与背景的区分能力，减少漏检情况。最后在特征融合网络中引入多尺度感受野增强模块，通过多分支结构加强特征信息之间的相关性，增强特征的语义表示。【结果】实验结果表明，FCM-YOLO相比起其他目标检测算法具有更高的缺陷检测精度。【结论】基于特征增强与多尺度融合的烟包外观检测方法有效减少信息丢失，提升目标与背景区分能力，检测精度达到98.3%，FPS为56.6，特别在易混淆类别（如污点和破损）上表现优异。
文章目录
1 缺陷检测算法
1.1 特征重提取模块
1.2 上下文注意力模块
1.3 多尺度感受野增强模块
1.4 损失函数改进
1.5 缺陷烟包的剔除
2 结果与分析
2.1 数据集
2.2 软硬件配置及评价指标
2.3 消融实验
2.4 主流目标检测算法的对比实验
2.5模型泛化能力与对比
2.5.1 NEU-AUG数据集对比实验
2.5.2 GC10-DET数据集对比实验
2.5.3 AITEX数据集对比实验
3 结 论
