摘要
焊接作为日常生活和工业场景中的重要工艺技术，能够实现多种材料的稳固连接。然而受材料杂质和作业环境等因素影响，在焊接时焊接处容易产生焊缝缺陷，进而影响焊接的效果和强度。目前工业界常使用X射线检测探查焊缝缺陷，生成焊缝缺陷图片，并通过人工评片的方式对焊缝进行质量评估。然而人工评片操作繁琐、效率低下。深度学习中的目标检测算法能有效对焊缝缺陷进行检测，进而替代人工评片的方式。但由于早期的深度学习模型参数量多、运行速度慢等原因，模型难以在工业检测设备上进行有效部署。针对以上问题，本文对基于YOLOv8n算法的焊缝缺陷检测算法进行轻量化研究，主要内容如下： （1）针对焊缝缺陷检测算法的网络结构进行轻量化设计。本文采用 LCNet作为骨干网络，实现焊缝缺陷检测算法的骨干网络轻量化。针对焊缝缺陷检测算法的检测头参数量过多的问题，采用参数共享的方法，降低模型参数量、提升模型推理速度。对算法的颈部特征融合模块进行重新设计，优化算法特征融合功能。实验表明，经过轻量化的算法模型相较于原始算法模型，参数量和浮点计算量分别减少了65.25%和74.07%，模型推理速度提升了19.01%，证明了设计的轻量化方法的有效性和可行性。 （2）针对模型轻量化后造成的模型精度下降的问题，对轻量化检测算法进行进一步优化。在基本不改变模型尺寸的前提下，本文采用轻量级的三元组注意力机制改善模型特征提取功能，优化模型检测性能。采用WIoU损失函数对模型训练过程进行优化，使模型检测精度得以进一步提升。实验表明，优化后的算法模型检测精度得到提升，mF1和mAP分别提升了4.39%和2.02%，证明了优化方法的有效性。 （3）将优化后的轻量化模型分别部署到Intel CPU端和Jetson设备中，并采用不同的深度学习框架进行测试。在基于CPU端的部署中，本文采用ONNX格式模型和OpenVINO格式模型进行测试，在精度不变的情况下，模型推理速度分别达到了63帧/s和90帧/s。为验证模型在嵌入式设备上的推理效果，在Jetson设备上采用TensorRT格式模型进行测试，在精度不变的情况下，模型推理速度达到了49帧/s。上述部署工作证明了本文所设计的轻量化模型可以在CPU端和Jetson嵌入式端实现焊缝缺陷的实时检测。
NETL