基于改进YOLOv5的金属焊缝缺陷检测

作者：李衍照; 于镭; 田金文

来源：电子测量技术, 2022, 45(19): 70-75.

DOI：10.19651/j.cnki.emt.2209590

• 深度学习
• 焊缝缺陷检测
• YOLOv5
• 目标检测
• GhostNet

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。

• 单位
  青岛科技大学; 电子工程学院