基于改进YOLOv5的退役轴类零件表面损伤检测方法

doi:10.12068/j.issn.1005-3026.2024.07.012

摘要/Abstract

摘要：

针对传统检测方法在对退役轴类零件进行损伤检测时存在效率低、结果一致性差等问题，提出了一种基于改进YOLOv5的退役轴类零件表面损伤检测方法.首先，将注意力机制嵌入检测算法中，增强了损伤在图像中的特征表示；然后，采用重复加权双向特征融合方法改进了检测模型的网络结构，有效提升了网络特征提取能力；最后，使用Ghostconv卷积模块代替普通卷积，大幅度降低了模型参数量.实验结果显示，改进后的算法模型精度比原始YOLOv5提升了6.9%，达到88.4%，同时模型参数量减少了6.1%，保证了检测速度与YOLOv5持平.与YOLOv3，SSD，Faster-RCNN等主流检测方法相比，在保证较高检测速度的同时，检测精度也有着明显优势.

关键词: YOLOv5, 表面损伤检测, 注意力机制, 多路特征融合, Ghostconv

Abstract:

Aiming at the existing problems of low efficiency and poor consistency in the damage detection of retired shaft parts by traditional detection methods， an improved YOLOv5?based surface damage detection method for retired shaft parts is proposed. Firstly， the attention mechanism is embedded into the detection algorithm to enhance the feature representation of damage in the image. Then the network structure of the detection model is improved by using the repeated weighted bidirectional feature fusion method to effectively enhance the network feature extraction capability. Finally， Ghostconv convolution module is used instead of normal convolution， which drastically reduces the number of model parameters. The experimental results show that the accuracy of the modified algorithm model has improved by 6.9% compared to the original YOLOv5， reaching 88.4%， while the number of model parameters has reduced by 6.1%， ensuring the detection speed is on par with YOLOv5. Compared with such mainstream detection methods as YOLOv3， SSD and Faster-RCNN， its detection accuracy has a significant advantage while ensuring a higher detection speed.

Key words: YOLOv5, surface damage detection, attention mechanism, multiplex feature fusion, Ghostconv

中图分类号:

TP 391.4

刘伟嵬, 邱佳鹤, 胡光大, 刘泽远. 基于改进YOLOv5的退役轴类零件表面损伤检测方法[J]. 东北大学学报（自然科学版）, 2024, 45(7): 1002-1010.

Wei-wei LIU, Jia-he QIU, Guang-da HU, Ze-yuan LIU. Surface Damage Detection Method for Retired Shaft Parts Based on Improved YOLOv5[J]. Journal of Northeastern University(Natural Science), 2024, 45(7): 1002-1010.

图/表 13

图1 YOLOv5网络结构

Fig.1 YOLOv5 network structure

图2 CA模块结构

Fig.2 Structure of CA module

图3 网络结构（a）—FPN+PANet；（b）—BiFPN.

Fig.3 Network architecture

图4 改进的YOLOv5的结构

Fig.4 Structure of the improved YOLOv5

图5 模型训练结果

Fig.5 Model training results

图6 损伤类型（a）—凹坑；（b）—变形；（c）—锈蚀；（d）—划痕.

Fig.6 Type of damage

图7 数据集各缺陷样本数统计

Fig.7 Statistics on the number of samples for each defect in the data set

表1 YOLOv5的消融实验

Table 1 Ablation experiments of YOLOv5

算法	CA	BiFPN	Ghostconv	精度	召回率	mAP/%	参数量	F1	检测速度/(帧 $·$ s^-1)
YOLOv5				0.840	0.91	80.0	7 030 417	0.76	31
Improved 1	√			0.885	0.94	84.7	7 045 521	0.82	29
Improved 2		√		0.907	0.93	84.9	7 169 402	0.84	28
Improved 3	√	√		0.917	0.96	86.6	7 112 097	0.83	24
Improved 4		√	√	0.875	0.96	86.0	6 665 946	0.83	30
Improved 5	√	√	√	0.873	0.98	88.4	6 679 601	0.84	33

表1 YOLOv5的消融实验

Table 1 Ablation experiments of YOLOv5

算法	CA	BiFPN	Ghostconv	精度	召回率	mAP/%	参数量	F1	检测速度/(帧 $·$ s^-1)
YOLOv5				0.840	0.91	80.0	7 030 417	0.76	31
Improved 1	√			0.885	0.94	84.7	7 045 521	0.82	29
Improved 2		√		0.907	0.93	84.9	7 169 402	0.84	28
Improved 3	√	√		0.917	0.96	86.6	7 112 097	0.83	24
Improved 4		√	√	0.875	0.96	86.0	6 665 946	0.83	30
Improved 5	√	√	√	0.873	0.98	88.4	6 679 601	0.84	33

图8 消融实验中各方法的P-R曲线（a）—YOLOv5；（b）—Improved 1；（c）—Improved 2；（d）—Improved 3；（e）—Improved 4；（f）—Improved 5.

Fig.8 P-R curves of each method in the ablation experiment

图9 改进前后检测结果对比（a）—原始YOLOv5；（b）—改进的YOLOv5.

Fig.9 Comparison of detection results before and after improvement

表2 注意力机制模块性能对比

Table 2 Comparison of the attention mechanism module performance

算法	SE	CBAM	CA	精度	召回率	mAP/%	参数量	F1	检测速度/(帧·s^-1)
Model 1	√			0.884	0.97	85.9	6 671 377	0.84	32
Model 2		√		0.907	0.95	86.8	6 671 475	0.85	33
本文			√	0.873	0.98	88.4	6 679 601	0.84	33

图10 三种检测方法的P-R曲线（a）—Model 1；（b）—Model 2；（c）—本文.

Fig.10 P-R curves of three detection methods

表3 不同模型性能对比

Table 3 Performance comparison of different models

算法	速度/(帧·s^-1)	mAP/%	AP/%
算法	速度/(帧·s^-1)	mAP/%	凹坑	变形	划痕	锈蚀
YOLOv3	29	69.7	83.3	69.9	64.6	51.4
SSD	18	76.2	76.2	93.4	73.1	62.4
Faster-RCNN	<10	64.6	77.6	67.3	59.3	54.5
Faster-RCNN(FPN)	<10	80.3	87.4	85.5	83.9	64.4
YOLOv5	32	80.0	90.5	97.0	81.3	51.1
Improved YOLOv5	33	88.4	98.4	90.3	87.3	77.7

参考文献 17

1	Syed R， Wang J G， Jing D Y，et al.Case study：optimization of case depth in induction‑hardened 42CrMo steel shaft［J］.IOP Conference Series：Materials Science and Engineering，2020，831（1）：012004.
2	孙斌.金属轴类零件表面缺陷成像与判识技术研究［D］.南京：南京理工大学，2017.
	Sun Bin.Research on surface defect imaging and identification technology of metal shaft parts［D］.Nanjing：Nanjing University of Science and Technology，2017.
3	Jeon I， Lim H J， Liu P P，et al.Fatigue crack detection in rotating steel shafts using noncontact ultrasonic modulation measurements［J］.Engineering Structures，2019，196：109293.
4	Neslušan M， Bahleda F， Minárik P，et al.Non‑destructive monitoring of corrosion extent in steel rope wires via Barkhausen noise emission［J］.Journal of Magnetism and Magnetic Materials，2019，484：179-187.
5	Sha J W， Fan M B， Cao B H，et al.Noncontact and nondestructive evaluation of heat‑treated bearing rings using pulsed eddy current testing［J］.Journal of Magnetism and Magnetic Materials，2021，521：167516.
6	Xie S J， Zhang L， Zhao Y，et al.Features extraction and discussion in a novel frequency‑band‑selecting pulsed eddy current testing method for the detection of a certain depth range of defects［J］.NDT & E International，2020，111：102211.
7	Dai J J， Li T P， Xuan Z L，et al.Automated defect analysis system for industrial computerized tomography images of solid rocket motor grains based on YOLO‑V4 model［J］.Electronics，2022，11（19）：3215.
8	Tang M， Li Y Y， Yao W，et al.A strip steel surface defect detection method based on attention mechanism and multi‑scale maxpooling［J］.Measurement Science and Technology，2021，32（11）：115401.
9	Huang Z Y， Hu H J， Shen Z Y，et al.Lightweight edge‑attention network for surface‑defect detection of rubber seal rings［J］.Measurement Science and Technology，2022，33（8）：085401.
10	Guo S Y， Li L L， Guo T Y，et al.Research on mask‑wearing detection algorithm based on improved YOLOv5［J］.Sensors，2022，22（13）：4933.
11	李鑫，李香蓉，汪诚，等.基于改进YOLOv5的航空发动机表面缺陷检测模型［J］.激光与光电子学进展，2023，60（16）：1615007.
	Li Xin， Li Xiang‑rong， Wang Cheng，et al.Aero‑engine surface defect detection model based on improved YOLOv5［J］.Laser & Optoelectronics Progress，2023，60（16）：1615007.
12	Hou Q B， Zhou D Q， Feng J S.Coordinate attention for efficient mobile network design［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Nashville，2021：13713-13722.
13	Tan M X， Pang R M， Le Q V.EfficientDet：scalable and efficient object detection［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Seattle，2020：10781-10790.
14	Han K， Wang Y H， Tian Q，et al.Ghostnet：more features from cheap operations［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.Seattle，2020：1580-1589.
15	Liu W， Anguelov D， Erhan D，et al.SSD：single shot multibox detector［C］// Proceedings of 14th European Conference on Computer Vision-ECCV 2016.Cham：Springer，2016：21-37.
16	Redmon J， Farhadi A.YOLOv3：an incremental improvement［EB/OL］.（2018-04-08）［2023-03-01］..
17	Ren S Q， He K M， Girshick R，et al.Faster R‑CNN：towards real‑time object detection with region proposal networks［J］.IEEE Transactions on Pattern Analysis and Machine Intelligence，2017，39（6）：1137-1149.

[1]	田岸霖, 雷为民, 张鹏, 张伟. 一种基于编解码结构的多尺度边缘检测方法[J]. 东北大学学报（自然科学版）, 2024, 45(7): 936-943.
[2]	郭立新, 毕素涛, 赵明扬. 基于改进YOLOv4轻量化网络的机械手状态检测算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 769-775.
[3]	马原, 佘黎煌, 李佳蔚, 鲍喜荣. 基于注意力机制的自适应图卷积三维点云识别算法[J]. 东北大学学报（自然科学版）, 2024, 45(6): 786-792.
[4]	冯虎, 宋克臣, 崔文琦, 颜云辉. 基于元学习的带钢表面缺陷小样本语义分割[J]. 东北大学学报（自然科学版）, 2024, 45(3): 354-360.
[5]	孙颖, 周雅茹, 张雪英. 融合功能性副语言比例系数的语音情感识别[J]. 东北大学学报（自然科学版）, 2024, 45(1): 40-48.
[6]	姜杨，刘成，丁其川，王力. 基于双注意力机制的COVID-19病灶CT图像分割方法[J]. 东北大学学报（自然科学版）, 2023, 44(9): 1259-1268.
[7]	周嵩，高天寒. 基于注意力机制RNN模型的癫痫患者脑电信号识别方法[J]. 东北大学学报（自然科学版）, 2023, 44(8): 1098-1103.
[8]	郝博，尹兴超，闫俊伟，张力. 基于Gan-St-YOLOv5的复杂环境下的手势识别[J]. 东北大学学报（自然科学版）, 2023, 44(7): 953-963.
[9]	丁其川，王力，刘成. 融合长距离信道注意力与病理特征的肺结节分类[J]. 东北大学学报（自然科学版）, 2023, 44(4): 476-485.
[10]	陈城，史培新，王占生，贾鹏蛟. 基于融合多注意力机制的深度学习的盾构荷载预测方法[J]. 东北大学学报（自然科学版）, 2023, 44(11): 1631-1638.
[11]	林清扬，陈晓方，谢永芳. 基于残差卷积自注意力神经网络的铝电解过热度识别方法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 8-17.
[12]	刘洋，闫冬梅，孟范伟. 基于Transformer改进的两分支行人重识别算法[J]. 东北大学学报（自然科学版）, 2023, 44(1): 26-32.
[13]	顾德英，罗聿伦，李文超. 基于改进YOLOv5算法的复杂场景交通目标检测[J]. 东北大学学报（自然科学版）, 2022, 43(8): 1073-1079.
[14]	代茵，刘维宾，董昕阳，宋雨朦. 基于注意力机制的U-Net脑脊液细胞分割[J]. 东北大学学报（自然科学版）, 2022, 43(7): 944-950.
[15]	于哲舟，刘岩，刘元宁. 基于YOLOV3改进的虹膜定位算法[J]. 东北大学学报（自然科学版）, 2022, 43(4): 496-501.