基于改进YOLOv5模型的船舶焊缝缺陷检测方法

U671.84; 当前船舶焊缝缺陷检测主要是通过人工目视的手段检查焊缝的射线探伤图像进行的,存在耗时长、工作量大、效率低的问题,为此提出了 一种基于改进YOLOv5模型的船舶焊缝缺陷检测方法.首先对1 152张船舶焊缝射线图像进行标注,建立船舶焊缝射线图像数据集;然后根据船舶焊缝缺陷几何尺寸小、特征不明显的特点,对YOLOv5模型进行改进.通过对图像进行正弦灰度变换,提高缺陷处的对比度.加入卷积注意力模块(CBAM),增大感兴趣区域的权重.增加检测尺度,提高对微小目标的检测精度.计算对比检测结果表明,使用改进的YOLOv5模型对船舶焊缝缺陷进行识别,使精确度从95.3％提高到98.4％,召回率...

Full description

Saved in:
Bibliographic Details
Published in大连理工大学学报 Vol. 63; no. 4; pp. 385 - 392
Main Authors 高翔, 李楷, 衣正尧, 周玉松, 陆丛红
Format Journal Article
LanguageChinese
Published 大连理工大学船舶工程学院,辽宁大连 116024%大连海洋大学 航海与船舶工程学院,辽宁大连 116023%大连船舶重工集团设计研究院有限公司,辽宁大连 116005 01.07.2023
Subjects
船舶焊缝缺陷
YOLOv5模型
ship welding seam defects
convolutional attention module
卷积注意力模块
YOLOv5 model
grayscale transformation
目标检测
灰度变换
object detection
Online AccessGet full text
ISSN1000-8608
DOI10.7511/dllgxb202304008

Cover

More Information
Summary:U671.84; 当前船舶焊缝缺陷检测主要是通过人工目视的手段检查焊缝的射线探伤图像进行的,存在耗时长、工作量大、效率低的问题,为此提出了 一种基于改进YOLOv5模型的船舶焊缝缺陷检测方法.首先对1 152张船舶焊缝射线图像进行标注,建立船舶焊缝射线图像数据集;然后根据船舶焊缝缺陷几何尺寸小、特征不明显的特点,对YOLOv5模型进行改进.通过对图像进行正弦灰度变换,提高缺陷处的对比度.加入卷积注意力模块(CBAM),增大感兴趣区域的权重.增加检测尺度,提高对微小目标的检测精度.计算对比检测结果表明,使用改进的YOLOv5模型对船舶焊缝缺陷进行识别,使精确度从95.3％提高到98.4％,召回率从77.5％提高到77.9％,交并比为0.5时的平均精确度从81.5％提高到84.2％,证明该方法可以有效地改进船舶焊缝缺陷检测的效果.
ISSN:1000-8608
DOI:10.7511/dllgxb202304008