为了解决窄间隙焊接过程中焊缝缺陷检测的核心问题,对YOLOv8模型进行了改进。具体而言,将RepViT-CBAM结构嵌入YOLOv8的主干网络,用以替换传统的下采样模块。通过融合ViT架构,显著增强了模型的特征提取能力。研究结果显示:在引入1.3%计...为了解决窄间隙焊接过程中焊缝缺陷检测的核心问题,对YOLOv8模型进行了改进。具体而言,将RepViT-CBAM结构嵌入YOLOv8的主干网络,用以替换传统的下采样模块。通过融合ViT架构,显著增强了模型的特征提取能力。研究结果显示:在引入1.3%计算量的前提下,平均精度(mean average precision,mAP)提升了3.9%;其次,引入高效通道注意力机制(shuffle attention,SA)进一步增强了模型对微小气孔和裂纹缺陷的召回能力;最后,采用WIoU损失函数对焊缝缺陷的定位精度进行了优化。实验结果表明:改进后的模型在自建及开源混合数据集中实现了96.47%的mAP,相较于原始YOLOv8s模型提高了4.55%,并且帧率达到114.59帧/s,能够有效满足焊缝缺陷实时检测的需求。由此可见,该方法显著提升了窄间隙焊接焊缝缺陷检测的精度与效率,具有重要的工业应用价值。展开更多
文摘为了解决窄间隙焊接过程中焊缝缺陷检测的核心问题,对YOLOv8模型进行了改进。具体而言,将RepViT-CBAM结构嵌入YOLOv8的主干网络,用以替换传统的下采样模块。通过融合ViT架构,显著增强了模型的特征提取能力。研究结果显示:在引入1.3%计算量的前提下,平均精度(mean average precision,mAP)提升了3.9%;其次,引入高效通道注意力机制(shuffle attention,SA)进一步增强了模型对微小气孔和裂纹缺陷的召回能力;最后,采用WIoU损失函数对焊缝缺陷的定位精度进行了优化。实验结果表明:改进后的模型在自建及开源混合数据集中实现了96.47%的mAP,相较于原始YOLOv8s模型提高了4.55%,并且帧率达到114.59帧/s,能够有效满足焊缝缺陷实时检测的需求。由此可见,该方法显著提升了窄间隙焊接焊缝缺陷检测的精度与效率,具有重要的工业应用价值。
