摘要：针对现有印刷电路板缺陷检测模型参数量庞大、计算复杂度高，难以部署在计算资源有限的工业边缘设备上的问题，提出了一种基于STR-DETR的轻量化缺陷检测算法。首先，通过分组卷积重构轻量级网络StarNet形成新型主干网络G-StarNet，在保留多尺度特征提取能力的同时显著减少模型复杂度；其次，在自适应特征交互模块中引入基于统计学特征的自注意力机制来代替原有的多头自注意力，降低了计算开销；再次，结合曼哈顿自注意力机制及其分解形式设计RetBlockC3模块，采用距离相关的衰减模式增强了局部特征的表达优先级，实现了计算复杂度从二次方到线性的优化；最后，提出了一种新的损失函数FSN Loss，通过改善形状和尺度因素、样本分布不均对边界框回归结果的影响来增强检测的定位与分类准确性。实验结果表明，改进后的算法mAP@0.5达到了96.7%，相较于基准模型，参数量减少了50.8%，计算量下降了55.4%，检测速度提高了23.7%，验证了本文算法的有效性，能够满足轻量化小目标检测的需求。
文章目录
0 引言
1 RT-DETR模型
2 STR-DETR模型
2.1 G-StarNet轻量化主干网络
2.2 TSSAIFI模块
2.3 RetBlockC3模块
2.4 边界框回归损失函数优化
3 实验结果与分析
3.1 实验环境搭建与参数设置
3.1.1 实验环境搭建
3.1.2 参数设置
3.2 数据集准备
3.3 评估指标
3.4 消融实验
3.4.1 改进模块消融实验
3.4.2 边界框回归损失函数消融实验
3.5 对比实验
3.5.1 与其他算法对比实验
3.5.2 轻量化主干网络对比
3.6 边缘设备测试
3.7 可视化分析
