基于改进YOLOv5的金属焊缝缺陷检测

摘要：

为提高工业上焊缝缺陷自动检测与处理的效率,基于深度学习提出一种改进的YOLOv5焊缝缺陷检测方法.针对焊缝样本数据不足的问题,提出一种Mosaic+Mixup的数据增强策略,同时为减少网络的计算量和网络参数量,引入轻量型的GhostNet网络代替YOLOv5主干网络中CSP1模块中的残差模块,并且采用CIOU_Loss作为坐标位置损失提高算法的收敛速度与准确率.最后使用测试集进行焊缝缺陷检测,改进的YOLOv5的平均精度均值(mAP)达到96.88％,单张图片检测时间不超过50 ms,优于传统机器学习算法,能够满足实际工程中对焊缝缺陷的实时性检测要求.

关键词：深度学习、焊缝缺陷检测、YOLOv5、目标检测、GhostNet

所属期刊栏目：45

分类号：TP391.41;TG441.7(计算技术、计算机技术)

资助基金：山东省重大科技创新工程项目2021SFGC0601

在线出版日期：2023-02-22（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：70-75