Page 51 - 无损检测2023年第一期

刘 洋, 等:

基于改进 YOLOV5的缺陷识别与定量分析

在模具上涂一层有机粘胶, 均匀缠绕厚为2mm 的

碳纤维布, 之后按照设计图的位置放置厚度为 0.2
mm , 形状分别为圆形、 正方形及扇形的聚四氟乙烯
薄膜( 见图4 ); 然后继续缠绕碳纤维布直至厚度达
到4mm , 最后将其热压72h后进行脱模处理。记

录各缺陷的位置及面积以验证算法性能。

图5 数据增强后得到的样件图像
评价, 其计算方法为
T
P = ( 12 )
T +F
T
R = ( 13 )
T +N

图4 碳纤维复合材料样件设计示意及实物 式中: T 为缺陷目标被正确识别为缺陷的个数; F
2.2 建立数据集 为非缺陷目标被错误识别为缺陷的个数; N 为缺陷
共设计制作样件150块, 其中预置圆形缺陷、 正 目标未被识别到的个数。
方形缺陷、 扇形缺陷的样件各50块, 分别对每块样 各模型的训练结果如图6所示, 可以看出在迭

件使用超声相控阵系统进行微调参数的多次扫查, 代300次时, 损失函数基本收敛, 且改进后 YOLO
V5算法的损失值更低, 平均损失为 0.017 ; 改进后

采集到碳纤维复合材料缺陷图像共250张。 YOLO

V5算法在进行训练时需要大量的图像数据, 样本 YOLOV5算法的准确率与召回率分别为98.8%和
不足容易造成网络性能和识别精度下降。由于条 98.1% , 与改进前相比分别提高了 10.4% 和 6.6% ,

件限制无法制作足够多的样本, 因此采用数据增 与 YOLO V3 算 法 相 比 分 别 提 高 了 15.1% 和

强的方式进行数据集的扩充。分别对采集的图像 10.8% ; 与 YOLOV3和 YOLOV5相比, 文章算法
分别进行了旋转、 裁剪、 添加噪声等操作, 最终得 的准确率和召回率均有所提升, 说明该方法在提高
到各类缺陷的图像共 900 张。数据增强后得到的 碳纤维材料缺陷的识别效果上有一定作用。
在相同的训练参数下, 为验证算法改进的效
图像如图5 所示。将缺陷图像大小统一为 416×

416 ( 像素), 按照4∶1 的比例分配, 分别作为训练集 果, 额外增加两组模型, 仅改进 YOLO V5 的网络
结构与优化先验框和损失函数, 得到不同算法的
图像和测试集图像。
识别效果如表 1 所示。从表 1 可以看出, 添加通
研究设置的网络参数如下: 初始学习率为 1×
10 ; 下降方式为随机梯度下降; 最大迭代次数为 道注意力机制后, 精度提升较大, 但会略微降低检
-3
-3
400 , 单批次训练量为 16 , 权重衰减率为 1×10 。 测速度, 而对先验框和损失函数进行优化后, 不仅
共训练3个模型, 分别是 YOLO V3 , YOLO V5和 能够改善其检测速度下降的问题, 对提升准确度

改进的 YOLOV5模型。 也有一定帮助。
2.3 试验结果与分析 改进 YOLOV5算法对部分缺陷的识别效果如

采用准确率( P ) 和召回率( R ) 对训练结果进行 图7所示, 其中, 圆形缺陷图像分别为3块不同样件
7
1
2023年 第45卷 第1期
无损检测