面向牵引座焊缝表面质量检测的轻量型深度学习算法.pdfVIP

JournalofComputerApplicationsISSN1001⁃90812024⁃03⁃10

计算机应用,2024,44(3):983-988CODENJYIIDUhttp：//www.joca.cn

文章编号：1001-9081（2024）03-0983-06DOI：10.11772/j.issn.1001-9081.2023030349

面向牵引座焊缝表面质量检测的轻量型深度学习算法

1213*4

黄子杰，欧阳，江德港，郭彩玲，李柏林

（1.西南交通大学唐山研究生院，河北唐山063000；2.成都大学机械工程学院，成都610106；

3.河北省智能装备数字化设计及过程仿真重点实验室（唐山学院），河北唐山063000；4.西南交通大学机械工程学院，成都610031）

（∗通信作者电子邮箱gcl@alu.cau.edu.cn）

摘要：针对人工和传统自动化算法检测牵引座焊缝表面存在检测精度低、速度低的问题，提出一种轻量型的牵

引座焊缝表面质量检测算法YOLOv5s-G2CW。首先，用GhostBottleneckV2模块替换YOLOv5s中的C3模块以降低模

型的参数量；其次，在YOLOv5s模型的Neck部分引入CBAM（ConvolutionalBlockAttentionModule），在通道和空间两个

维度上融合焊缝特征；然后将YOLOv5s的定位损失函数改进为Wise-IoU以聚焦普通质量锚框的预测回归；最后移除

YOLOv5s模型中用于大物体检测的13×13特征层以进一步降低模型的参数量。实验结果表明，与YOLOv5s模型相

比，YOLOv5s-G2CW的模型大小减小了53.9%，帧率提高了8.0%，平均精度均值（mAP）提高了0.8个百分点，能够满

足牵引座焊缝表面质量检测的准确性和实时性要求。

关键词：轻量化模型；YOLOv5s；焊缝检测；注意力机制；Wise-IoU

中图分类号：TP391.41文献标志码：A

Lightweightdeeplearningalgorithmforweldseamsurfacequalitydetectionof

tractionseat

1213*4

HUANGZijie，OUYang，JIANGDegang，GUOCailing，LIBailin

（1.GraduateSchoolofTangshan，SouthwestJiaotongUniversity，TangshanHebei063000，China；

2.SchoolofMechanicalEngineering，ChengduUniversity，ChengduSichuan610106，China；