摘要
焊接技术是制造业的核心技术之一，涉及各个行业领域，对工业产品的质量和安全具有决定性的影响。焊缝缺陷检测是焊接质量控制的重要环节，其目的是及时发现和消除焊接过程中产生的各种缺陷，保证焊接结构的完整性和可靠性。然而，目前常用的焊缝缺陷检测技术存在着诸多局限性，如检测效率低、误报率高、设备昂贵、环境污染、算法复杂等，这些不仅影响了焊接技术的发展和应用，也增加了焊接生产的成本和风险。 本文以焊缝缺陷检测为研究对象，结合相控阵超声检测和深度学习，提出了一个S-YOLO轻量模型用于焊缝缺陷的实时检测，并基于该模型设计实现了一套焊缝缺陷检测系统。本文的主要工作如下： (1)针对焊缝缺陷超声图像中存在的噪声、模糊、低对比度等问题，本文提出了一种基于多尺度视网膜算法的图像增强方法。该方法首先利用各向异性扩散算法对原始超声图像进行去噪处理，然后采用直方图均衡化处理提高图像的对比度，最后将多尺度视网膜算法分别作用于原始超声图像和直方图均衡化处理后的图像，并通过加权融合的方式得到最终的增强结果。 (2)针对焊缝缺陷检测中存在的小目标检测、目标遮挡、目标重叠等问题，本文在YOLOv8-nano模型的基础上，提出了S-YOLO模型，并将其应用于焊缝缺陷检测任务。该模型采用全维动态卷积、NAM注意力机制、上下文增强模块、Carafe上采样和优化损失函数等技术，提高了焊缝缺陷检测的准确率和效率，并有效地解决了上述难点。实验结果表明，S-YOLO模型相比原生模型的mAP值提升了8.9%。 (3)焊接过程的动态性、连续性和快速性要求焊缝缺陷检测具有高度的实时性。本文在S-YOLO模型的基础上，针对焊接图像的特征，提出了一种轻量化的改进方法。该方法通过去除YOLOv8-nano原生结构中的p5特征图和其对应的检测层并引入部分卷积和多层感知机两种方法，对S-YOLO模型进行了轻量化改进，最后通过实验验证，轻量化后的S-YOLO模型在保持较高检测精度的同时，显著降低了模型参数量和计算量。 综合上述内容，本文设计实现了一个基于深度学习的焊缝缺陷检测系统。通过对系统的功能和性能进行测试，验证了本文设计实现的焊缝缺陷检测系统的可靠性和准确性。
NETL