基于计算机视觉红外热波板材内部孔洞检测方法
李铁军1
葛新强2
1.沈阳化工大学装备可靠性研究所 辽宁沈阳 1101422.沈阳化工大学装备可靠性研究所 辽宁沈阳 110142;沈阳化工大学材料科学与工程学院 辽宁沈阳 110142
摘要：针对板材内部缺陷无损检测精度不足,检测模型计算量大问题,文章提出了一种基于红外热波和深度学习相结合的检测方法.首先将YOLOv5s模型作为基础网络结构,引入轻量化网络GhostNetv2替换原CSPDarknet主干网络,减少模型参数量和计算资源需求让网络更加轻量化.其次,引入ECA高效通道注意力机制,在保持网络轻量化的同时增强网络对孔洞缺陷区域的关注力,以便更加充分地提取孔洞缺陷特征.最后,将CIoU损失函数替换成Focal-EIoU损失函数,通过优化边界框的位置和大小,从而提高孔洞缺陷识别的鲁棒性和收敛速度.经验证,改进后的YOLOv5s模型,在红外条件下识别孔洞缺陷相比于原始模型,平均精度均值(mAP)提升2.1％,模型参数量降低28.5％,检测速度达到51.42帧/s,可以满足日常板材生产线的缺陷检测需求.
关键词：红外无损检测深度学习YOLOV5缺陷识别盲孔检测
论文发表日期：2025-03-25
在线出版日期：2026-05-22（本平台首次上网日期，不代表文献的发表时间）
页数：4( 34-37 )