Page 101 - 无损检测2025年第三期

彭云超，等：

基于 YOLOv5 的管道环焊缝缺陷目标检测算法分析

1.0 1.0
0.8 0.8

0.6 0.6
m AP@0.5 0.4 精确率 0.4

对比图 对比图
0.2 伪彩图 0.2 伪彩图
伪彩增强图 伪彩增强图
数据混合增强 数据混合增强
0 0
0 100 200 300 400 500 0 100 200 300 400 500
训练轮数/次 训练轮数/次
(a) m (b) 精确率
1.0 AP@0.5 1.0

0.8 0.8

0.6 0.6
召回率 0.4 m AP@0.5:0.95 0.4

0.2 对比图 0.2 对比图
伪彩图 伪彩图
伪彩增强图 伪彩增强图
0 数据混合增强 0 数据混合增强

0 100 200 300 400 500 0 100 200 300 400 500
训练轮数/次 训练轮数/次
(c) 召回率 (d) m
AP@0.5: 0.95
图 7 各种图像性能指标
表1 各图像性能指标 % 74. 423 2%和78. 870 1%。损失函数均值的下降表

模型 m AP@0.5 精确率 召回率 m AP@0.5∶0.95 明模型具有更好的目标检测准确性，在对图像中的
对比图 70.68 90.53 71.3 29.22 物体进行检测时效果更好。
伪彩图 70.96 88.27 73.18 31.07 改进后图像性能指标如表 3 所示，可以看出，
伪彩增强图 72.47 86.73 72.18 29.59
模型在改进以后，对比图、伪彩图、伪彩增强图
3种图像均值 71.37 88.51 72.22 29.96
的m AP@0. 5 ，精确率，召回率指标都有了小幅降低，
图像数据混 93.64 99.45 92.87 73.24
合增强 m AP@0. 5∶0. 95 有小幅度上升，改进后整体模型的性能指
混合前后性 31.20 12.36 28.59 144.46 标与改进前相差不大。
能提升
可见，增加小目标检测层后，可以在保证模
其对于验证集目标检测损失函数均值而言，采用改 型的常规性能指标基本稳定的情况下，大幅降低
进后的模型在大幅度降低损失的同时也改善了模型 模型的目标检测损失函数均值，对于环焊缝漏磁
过拟合的现象，表明增加小目标检测层后的模型具 信号图像中的缺陷目标检测效果有了一定程度的
有更好的效果。 改善。
模型目标检测损失函数均值如表2所示，可知， 3.3 环焊缝缺陷图像测试集识别率分析
相较于改进前的模型，改进后的模型具有更低的损 对环焊缝缺陷图像而言，实际检测应用时，能
失，对比图、伪彩图、伪彩增强图3种模型改进前后 正确识别出漏磁信号图像中的环焊缝异常缺陷的位
的损失差别都不大，通过误差分析，可以看出，相 置和大小等信息是至关重要的。笔者对环焊缝缺陷
较于改进前，目标检测损失函数均值最小值和最终 图像测试集进行最终的实际管道环焊缝异常图像识
值分别下降了62. 714 8%和63. 539 9%，验证集目 别，以获得缺陷的识别准确率，结果如表4所示。
标检测损失函数均值最小值和最终值分别下降了 当选取原始单一图像模型进行检测时，选取对
67
2025 年 第 47 卷 第 3 期
无损检测