Diante da variedade e complexidade estrutural das formas de defeitos na superfície do aço, bem como dos fenômenos de omissão na detecção de alvos e do elevado número de parâmetros do algoritmo, propõe-se um algoritmo leve de detecção de defeitos em aço VTG-YOLOv7-tiny. Primeiramente, foi projetada a rede VoVGA-FPN para reduzir a perda de informação durante a transmissão e fortalecer a capacidade de fusão de características da rede; em segundo lugar, foi construído um mecanismo de atenção de coordenadas triplas para melhorar a capacidade do modelo de extrair características de informações espaciais e de canais; terceiro, foi introduzida a convolução Ghost Shuffle para aumentar a precisão enquanto reduz o número de parâmetros e o cálculo do modelo; quarto, foi adicionada uma camada de detecção de grandes alvos para melhorar o problema da baixa precisão causado pela alta proporção de certos defeitos no mapa de características. Experimentos foram realizados com os conjuntos de dados NEU-DET e Severstal de defeitos em aço. Comparado com o modelo original, o mAP do algoritmo melhorado aumentou 5,7% e 8,5%, respectivamente; o número de parâmetros e o cálculo foram reduzidos em 0,61 M e 4,2 G, respectivamente; precisão e recall aumentaram 7,1%, 1,8% e 8,9%, 7,0%, respectivamente. Os resultados experimentais mostram que o algoritmo melhorado equilibra melhor a precisão de detecção e a leveza, fornecendo referência para dispositivos de terminal de borda.

detecção de defeitos; YOLOv7-tiny leve; rede VoVGA-FPN; atenção de coordenadas triplas; convolução Ghost Shuffle