王 宸，張秀峰，劉 超，張 偉，唐 禹

（1.湖北汽車工業(yè)學院 機械工程學院，湖北 十堰 442002；2.上海大學 上海市智能制造與機器人重點實驗室，上海 200072）

1 引 言

輪轂是車輛的承載部件，其主要由輪圈和輻板兩部分組成，制造方法有焊接法、鑄造法和鍛造法。在焊接法的生產(chǎn)過程中，需要對輪轂焊接焊縫的缺陷進行檢測，來保障輪轂產(chǎn)品質(zhì)量。輪轂焊縫缺陷多為表面缺陷，目前采用人工目測的方法進行檢測，但此方法檢測效率低，檢測人員容易疲勞，存在漏檢和誤檢等問題。隨著機器視覺等技術(shù)的不斷進步，尤其是人工智能技術(shù)在工業(yè)領(lǐng)域的應用［1］，給智能化檢測帶來了更多解決方案［2］。為了改進人工檢測方法［3］，可以把焊縫缺陷看作目標檢測問題，采用目標檢測的方法實現(xiàn)焊縫缺陷的智能化檢測。目標檢測［4］的方法主要可以分為兩類：一類是采用傳統(tǒng)機器視覺的方法另一類是采用深度學習的方法。

傳統(tǒng)的機器視覺方法使用特定編程算法，提取特征信息進行分類識別。羅志偉等［5］根據(jù)焊球的形狀和尺寸特征，使用高斯混合模型實現(xiàn)了其缺陷的識別分類，得到了97.06%的檢測準確率，但是存在較高的誤判率，數(shù)據(jù)樣本較少。高向東等［6］采用主成分分析和支持向量機對高強鋼焊縫特征的動態(tài)磁光圖像進行分析，實現(xiàn)了焊縫缺陷的自動檢測，識別率為92.6%。Malarvel等［7］使用了機器視覺方法對焊縫圖像進行去噪，利用梯度幅值增強圖像特征，實現(xiàn)了焊縫缺陷檢測，但方法對于弱缺陷特征的檢測效果較差。湯勃等［8］采用了多尺度高斯函數(shù)方法提取了圖像的光照參數(shù)，實現(xiàn)了對光照不均的自適應校正，并且使用遺傳算法優(yōu)化圖像分割閾值，實現(xiàn)了鋼板表面缺陷的有效檢出，該方法受環(huán)境和光照等因素的影響較大。上述的傳統(tǒng)機器視覺方法都是針對特定問題，設(shè)計特征提取算法，不能高效地提取多種焊縫缺陷特征，并且在復雜環(huán)境下易受干擾，準確率較低。

深度學習算法特別是卷積神經(jīng)網(wǎng)絡(luò)（CNN）［9］算法擁有強大的自動提取特征能力，使得其在復雜環(huán)境下能較好地完成目標檢測任務［10］。上海大學的馬立等［11］對Tiny YOLOv3算法模型的特征提取網(wǎng)絡(luò)與損失函數(shù)進行改進，提升了模型對小目標的檢測準確率。王建林等［12］改進了YO‐LOv2算法模型，利用數(shù)據(jù)增強擴充數(shù)據(jù)集，得到了90.48%的多類型合作目標檢測精度。余永維等［13］將Inception網(wǎng)絡(luò)結(jié)構(gòu)結(jié)合SSD算法，最終在自制的零件數(shù)據(jù)集上得到了97.8%的準確率，其檢測速度快滿足實際生產(chǎn)的零件檢測需求。華中科技大學的謝經(jīng)明等［14］使用輕量化的YOLO算法實現(xiàn)了焊縫X射線圖像的準確識別。周明浩和朱家明［15］使用卷積神經(jīng)網(wǎng)絡(luò)檢測機械零件的表面缺陷，取得了極高的識別準確率，證明了其在零件表面缺陷檢測方面的優(yōu)勢。趙海文等［16］使用卷積神經(jīng)網(wǎng)絡(luò)對汽車輪轂的劃痕、擦傷等表面缺陷進行了檢測，檢測試驗結(jié)果表明該方法檢測準確率高、魯棒性強。Chen等［17］使用深度卷積神經(jīng)網(wǎng)絡(luò)檢測鐵路接觸網(wǎng)的懸臂連接件的缺陷，通過大量實驗和比較，該方法在復雜環(huán)境下具有較高的檢測率和良好的環(huán)境適應性。

輪轂生產(chǎn)的環(huán)境十分復雜，焊縫的表面缺陷種類多，使用傳統(tǒng)機器視覺的檢測方法通用性差，算法魯棒性不足，檢測效率低，難以滿足實時性需求?；谏疃葘W習的目標檢測算法［18］通用性好、魯棒性高，檢測速度快、準確率高，適用于環(huán)境復雜的工業(yè)目標檢測。本文基于YO‐LOv3［19-20］算法，首先設(shè)計了檢測平臺結(jié)構(gòu)，然后采集了焊縫圖像制作數(shù)據(jù)集，最后對YOLOv3算法進行了改進優(yōu)化，得到Y(jié)OLOv3-MC算法模型并進行檢測試驗。

2 材料與方法

2.1 智能檢測平臺與檢測試驗流程

在輪轂的生產(chǎn)過程中，企業(yè)依靠人工目視來檢測輪轂焊縫的焊接質(zhì)量，篩選出不合格產(chǎn)品。為了能在實際的生產(chǎn)過程中實現(xiàn)輪轂焊縫缺陷的智能化檢測，本文模擬生產(chǎn)中的實際情況設(shè)計和搭建了智能檢測平臺。其結(jié)構(gòu)簡圖如圖1所示。

圖1 檢測平臺結(jié)構(gòu)設(shè)計簡圖Fig.1 Structure diagram of detecting platform

檢測平臺的主要結(jié)構(gòu)有輸送裝置、圖像采集裝置和缺陷工件頂出裝置，平臺的檢測流程如下：在實際生產(chǎn)過程中通過輸送裝置將輪轂由上一工序傳輸?shù)綑z測平臺，當輪轂到達預定位置并觸發(fā)光電傳感器時，圖像采集裝置開始對輪轂焊縫進行取像。在取像時，由于輪轂的尺寸是固定的，輪圈和輻板的焊接位置是一個固定位置的圓，并且焊接機器人焊接的焊縫長度是固定值10 cm，每個輪轂有四條焊縫，所以將相機聚焦到該圓附近進行旋轉(zhuǎn)拍照即可完成數(shù)據(jù)采集。然后將圖像信息傳輸?shù)焦ぷ髡具M行處理并判斷是否合格，若其結(jié)果是焊縫無缺陷，則檢測結(jié)束，輪轂傳輸至下一工序。若檢測結(jié)果是焊縫存在缺陷，則在輪轂經(jīng)過1第二個光電傳感器時啟動頂出裝置，將不合格輪轂頂出到缺陷工件回收滾道上，搭建的模擬智能檢測平臺實物如圖2所示。

圖2 智能檢測平臺Fig.2 Intelligent detecting platform

本文的檢測試驗流程可分為圖像數(shù)據(jù)采集，制作數(shù)據(jù)集，訓練模型，測試模型和對比分析。試驗首先需要采集輪轂焊縫圖像，使用BFS-U3-89S6C-C型號面陣CCD傳感器工業(yè)相機，其最大分辨率為4 096×2 160，幀頻為42FBS，數(shù)據(jù)接口為USB3.0，使用型號為HC3505A的定焦鏡頭。然后對采集的圖像做預處理并且制作數(shù)據(jù)集，使用圖像標注工具對各類焊縫缺陷圖像進行標注。數(shù)據(jù)集包含了用于模型訓練的訓練集，用于評價模型性能的驗證集和用于檢測的測試集，并且使用數(shù)據(jù)增強方法擴充數(shù)據(jù)集。最后進行識別檢測，對檢測結(jié)果數(shù)據(jù)進行分析。整體試驗流程如圖3所示。

圖3 輪轂焊縫檢測試驗流程圖Fig.3 Flow chart of test about wheel hub welds detection

2.2 圖像采集與數(shù)據(jù)增強

輪轂焊縫缺陷圖像數(shù)據(jù)來源于某輪轂生產(chǎn)企業(yè)中的輪轂焊縫缺陷樣本。根據(jù)常見的輪轂焊縫表面缺陷類型，將焊縫缺陷劃分為斷弧、焊瘤、偏焊、起弧不良和氣孔5種缺陷類型。其中斷弧的缺陷特征是焊縫表面有明顯的凹陷或穿透；焊瘤是指焊接過程中，熔化金屬流淌到焊縫之外未熔化的母材上所形成的金屬瘤；偏焊缺陷特征為焊縫發(fā)生偏移，未在中間位置；起弧不良的缺陷特征為焊縫兩段的端頭有縮頸；氣孔是指熔池中的氣泡在凝固時未能逸出而殘留在焊縫表面形成的空穴。

在輪轂生產(chǎn)過程中，出現(xiàn)焊縫缺陷的概率較小，但是深度學習需要大量的訓練圖像來減少過擬合，減少由不相關(guān)特征產(chǎn)生的建模偏差?，F(xiàn)有的解決方法有數(shù)據(jù)增強、正則化和元學習（Metalearning）等，由于輪轂焊縫的背景較為相似，使用數(shù)據(jù)增強方法不僅可以擴充數(shù)據(jù)集的數(shù)量，而且可以避免模型學習到背景特征。采用數(shù)據(jù)增強后最終得到可用的輪轂焊縫圖像共計18 990張。

2.3 標注與制作數(shù)據(jù)集

將缺陷圖像劃分為訓練集、驗證集和測試集，劃分比例大約為7∶2∶1，其中訓練集9 064張，驗證集3 140張，測試集有缺陷焊縫圖像1 368張，統(tǒng)計結(jié)果如表1所示。本文試驗使用開源圖像標注工具LabelImg［21］，標注圖像數(shù)據(jù)中的焊縫缺陷位置，共標注了12 204張圖像。其中斷弧缺陷標注2 484張；焊瘤缺陷共標注2 484張；偏焊缺陷共標注2 457張；起弧不良缺陷共標注2 286張；氣孔缺陷共標注2 493張。輪轂實際生產(chǎn)過程中，輪轂焊縫產(chǎn)生缺陷是相對概率較小的事件，所以在測試集中加入了5 418張完好無缺陷的焊縫圖像作為干擾項，模擬實際情況。如圖4所示展示了最終的數(shù)據(jù)集的5類缺陷，其中第一列是采集圖像，第二列是標注圖像，其余三列是增強后的圖像數(shù)據(jù)。

圖4 輪轂焊縫檢測試驗流程圖Fig.4 Flow chart of test about wheel hub welds detection

表1 數(shù)據(jù)集中各類別圖像數(shù)量Tab.1 Numbers of each types in the dataset

3 算法原理與改進

3.1 YOLOv3原理

YOLOv3是基于回歸方法的端到端的目標檢測算法，其直接通過一個深度卷積神經(jīng)網(wǎng)絡(luò)將原始圖像數(shù)據(jù)信息轉(zhuǎn)變?yōu)槟繕宋矬w的位置和類別信息，把目標檢測問題轉(zhuǎn)化為回歸問題，得到邊界框和類別置信度。這種端到端的一步式處理方法使檢測速度得到極大提升，適用于實時檢測，并且該算法通用性強，檢測準確率高。

YOLOv3的主干網(wǎng)絡(luò)是Darknet-53的卷積神經(jīng)網(wǎng)絡(luò)，用于對輸入圖像的特征進行提取。YOLOv3可以實現(xiàn)對不同大小尺度的目標進行檢測［22］，其采用多尺度融合的方法實現(xiàn)局部特征交互［23］，對主干網(wǎng)絡(luò)提取到的三個不同尺度的特征圖Y1，Y2和Y3進行融合預測。不同尺度的特征圖是把輸入圖像劃分成不同數(shù)量的單元格，數(shù)量越多越容易檢測小目標物體。特征圖的每一個單元格所含信息大小用維數(shù)D表示，其計算方法如式（1）所示，YOLOv3的整體算法網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖5所示。

圖5 YOLOv3網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.5 YOLOv3 network structure diagram

其中，E表示每個單元預測的邊界框數(shù)量，F(xiàn)表示檢測目標的類別數(shù)，G代表每個邊界框包含的4個位置坐標信息和1個目標性得分信息。在YO‐LOv4算法中有多種改進方法，例如使用Mish激活函數(shù)和CIoU計算損失函數(shù)的方法等［24］。通過這些改進，算法的檢測精度和檢測效率都有明顯提升。

3.2 非線性激活函數(shù)改進

YOLOv3的算法結(jié)構(gòu)最小單元是DBL結(jié)構(gòu)，其由卷積層，批次歸一化層（Batch Normaliza‐tion）和非線性激活組成。非線性激活是使神經(jīng)網(wǎng)絡(luò)具有非線性的關(guān)鍵單元，它決定了人工神經(jīng)元是否處于激發(fā)狀態(tài)，這種模擬生物神經(jīng)結(jié)構(gòu)的方法賦予了深度學習算法學習復雜函數(shù)的能力，YOLOv3算法采用Leaky ReLU激活函數(shù)。本文針對YOLOv3主干網(wǎng)絡(luò)的激活函數(shù)做優(yōu)化，使用Mish函數(shù)替換原激活函數(shù)［25］，圖6是這兩種激活函數(shù)曲線圖。

圖6 激活函數(shù)曲線圖Fig.6 Activation function graph

Leaky ReLU激活函數(shù)的表達式如下公式2所示，Mish激活函數(shù)的表達式如下公式3所示。顯然可以發(fā)現(xiàn)Mish函數(shù)是連續(xù)函數(shù)，其可以連續(xù)微分，這使得在反向傳播時梯度優(yōu)化更容易，優(yōu)化效果更好，網(wǎng)絡(luò)泛化效果也更好。并且Mish函數(shù)在正無窮方向發(fā)散，在負無窮方向收斂到0，函數(shù)在x軸下方具有非單調(diào)性且有最小值，這可以產(chǎn)生較強的正則化效果。通過函數(shù)表達式計算可得，Mish函數(shù)的最小值點為（-1.192 4，-0.308 44），這使得絕對值較小的負輸入也會有相對較大的負輸出，提高了模型表達能力和控制流。本文在主干網(wǎng)絡(luò)中采用了Mish激活函數(shù)替換Leaky ReLU激活函數(shù)，以期得到更高的檢測平均準確率，并在下文的試驗中驗證了其改進效果。

3.3 損失函數(shù)改進

YOLOv3算法在進行迭代計算時使用損失函數(shù)來表征預測框與真實框之間的差異程度，通過不斷更新權(quán)重值，損失函數(shù)值不斷減小，YO‐LOv3的損失函數(shù)公式如公式4所示。

式（4）中的1，2項為定位損失函數(shù)，3，4項為置信度損失函數(shù)，第5項是分類損失函數(shù)。式中obj表示單元格內(nèi)含有目標，noobj表示單元格內(nèi)沒有目標，i表示第i單元格，j表示該單元格預測的第j框。txi，tyi表示預測框的中心點橫縱坐標偏移值，twi，thi分別表示預測框?qū)捙c圖像寬的比，預測框高和圖像高的比，同樣的，tpxi，tpyi，tpwi，tphi分 別 表示真實框的相應地的位置信息。“1”表示第i單元格第j框中是否含有目標的示性函數(shù)，C表示預測框置信度得分，P表示條件類別概率值。公式4中的λcoord=2-w×h，其取值范圍是（1，2）。如公式4中的最后一項所示，YOLOv3在分類損失計算中使用了交叉熵。

YOLOv3算法計算損失函數(shù)的過程中，前兩項的定位損失函數(shù)計算，使用的是位置坐標的二范數(shù)值，這種度量方法有可能出現(xiàn)交并比（Inter‐section over Union，IoU）不同，但二范數(shù)值卻相同的情況。如果直接使用IoU又會帶來梯度消失問題。2019年Rezatofighi H等人引入廣義交并比GIoU來彌補IoU的缺點，對深度學習算法的損失函數(shù)的度量方法進行優(yōu)化［26］，GIoU計算公式如公式6所示。

其中，A表示真實框，B表示預測框，M表示包含A和B的最小外接矩形。GIoU不僅可以度量重合度還度量了非重合的程度，可以更好地反映預測框的優(yōu)劣。但從式（6）可知，當真實框A與預測 框B處于包含關(guān)系時，M-(A∪B)=0即GIoU退化為IoU。事實上要度量兩個框的重合程度應該同時考慮重疊面積、中心點距離和長寬比三個因素。

Zheng和Wang等人在2019年提出了能同時計算這三要素的度量指標CIoU［27］，該方法是在IoU的計算后面加入關(guān)于中心點距離和長寬比的兩項懲罰項，如式（7）~式（9）所示。改進度量指標后可以提升算法模型的檢測準確率，尤其可以顯著提高預測框的定位精度，下文的試驗結(jié)果驗證了該改進的效果。

其中，c表示最小外接矩的對角線長度，b，bgt分別表示預測框和真實框的中心點，ρ2表示歐氏距離，v表示長寬比一致性衡量參數(shù)，wgt，hgt分別表示真實框的寬和高，w和h表示預測框的寬和高。

4 試驗結(jié)果與分析

4.1 試驗訓練與檢測過程

本文的輪轂焊縫智能化檢測方法所訓練和測試的模型均運行在Windows 10操作系統(tǒng)的高性能工作站上，其配置為英特爾2.10 GHz八核CPU，32 GB內(nèi)存，Nvidia GeForce RTX 2080Ti顯卡。試驗通過模型驗證結(jié)果反饋，選擇最優(yōu)超參數(shù)值，每次訓練模型迭代20 000次，用時在22 h左右。

4.2 模型的評價指標

為了對訓練出來的模型進行客觀評價，需要使用一些評價指標。準確率（Precision）表示預測為真的樣本中正樣本數(shù)的比例，召回率（Recall）表示在所有真實情況為正的樣本中預測為真的樣本數(shù)的比例，平均精度AP（Average Precision）是不同召回率下的準確率的平均值，均值平均精度mAP表示不同類別的AP值的平均值，輔助評估值F1［28］值是準確率與召回率的綜合值，具體公式如下。

其中，TP表示預測為真的正樣本（True posi‐tive），F(xiàn)N表示 預測為假的負樣本（False nega‐tive），F(xiàn)P表示預測為假的正樣本（False posi‐tive），k表示類別數(shù)，AP（i）表示第i個類別的AP值。

4.3 試驗結(jié)果對比分析

在本次試驗中，綜合考慮不同訓練超參數(shù)和不同算法模型的影響，選用以下四種算法模型進行對比：使用原始YOLOv3算法，用YOLOv3表示；使用Mish激活函數(shù)優(yōu)化主干網(wǎng)絡(luò)的YO‐LOv3算法，用YOLOv3-M表示；使用CIoU優(yōu)化損失函數(shù)的YOLOv3算法，用YOLOv3-C表示；同時使用Mish激活函數(shù)和CIoU優(yōu)化方法，用YOLOV3-MC表示。如下圖7和圖8所示，對四種模型的訓練過程作可視化處理，以便分析訓練過程中的損失函數(shù)（Loss）值和平均交并比變化情況。

圖7 Loss值隨著迭代次數(shù)變化曲線圖Fig.7 Loss value curve changes with iterations

如圖7所示，四種算法模型在訓練中Loss值整體變化趨勢一致，它們都在前2 000次訓練中快速下降，然后逐漸趨于穩(wěn)定，但依然會小幅震蕩。如圖8所示，平均交并比在訓練前期數(shù)值較低且波動較大，在訓練7 000次后都會逐漸穩(wěn)定。YOLOv3-C和YOLOv3-MC的平均交并比要明顯高于其余兩種算法，并且波動程度較小。這和3.3小節(jié)的理論分析結(jié)果一致，即當使用更完備的度量值優(yōu)化損失函數(shù)時，可以提升算法的定位精度，并且有助于得到準確率更高的結(jié)果模型。

圖8 平均交并比迭代曲線Fig.8 Iteration curves of average IoU

本文試驗主要以公式12的mAP值作為評價指標，以驗證集作為真值，計算不同算法模型在不同迭代訓練次數(shù)下的mAP值。計算時判定為正樣本的參數(shù)條件為：與真實框的IoU值大于0.5［27］，結(jié)果數(shù)據(jù)統(tǒng)計如圖9所示。改進后的YO‐LOv3-MC的mAP值在多數(shù)迭代次數(shù)下數(shù)值最高，曲線也更穩(wěn)定。四種算法模型在20 000次迭代中的最優(yōu)結(jié)果模型的驗證集檢測結(jié)果數(shù)據(jù)如表2所示。YOLOv3-MC算法在驗證集中檢測正確的正樣本（TP）數(shù)量最高，檢測錯誤的FP和FN數(shù)量最少，各個類別準確率和召回率也最高。YOLOv3-MC的最優(yōu)模型的mAP相較于原始YOLOv3的最優(yōu)模型的mAP值提升了1.88%。

圖9 mAP值隨迭代次數(shù)變化Fig.9 Mean average precision changes with iterations

此外，使用相同的數(shù)據(jù)集在原始SSD和Faster-RCNN算法上進行訓練，得到最優(yōu)模型為迭代60epoch后的模型，在驗證集上檢測模型的mAP等各類指標，如表2所示?？梢钥闯鲵炞C集準確率低于YOLOv3-MC算法模型，并且在下文的測試集檢測中發(fā)現(xiàn)，SSD和Faster-RCNN算法模型的誤檢率較高，有大量的無缺陷圖像被誤檢為缺陷圖像。綜上所述，改進Mish激活函數(shù)和CIoU度量指標的YOLOv3-MC算法是更優(yōu)的算法，得出的最優(yōu)模型的檢測效果也最好，其在IoU閾值為0.5的驗證集上的mAP值為98.94%，F(xiàn)1得分值為0.99，平均交并比為80.92%，每張圖像的檢測時間不超過14毫秒，模型大小234 MB，滿足輪轂生產(chǎn)企業(yè)檢測需求，該算法模型可用于智能檢測系統(tǒng)。

表2 不同模型的驗證集檢測結(jié)果數(shù)據(jù)Tab.2 mAP of validation sets for different models under different IoU thresholds

4.4 測試集檢測結(jié)果與分析

最終確定改進后的YOLOv3-MC的最優(yōu)模型作為智能系統(tǒng)的檢測模型。為了證明該算法模型的實際檢測效果，使用測試集圖像進行檢測。測試集圖像包括了與訓練集相獨立的圖像數(shù)據(jù)以及作為干擾項的無缺陷焊縫圖像。測試集檢測時置信度閾值設(shè)為0.25［19］，圖10展 示 了五種缺陷類型的檢測結(jié)果圖。測試集檢測試驗完成后，統(tǒng)計各類型的正確率，結(jié)果統(tǒng)計如表3所示。

表3 YOLOv3-MC在測試集上的檢測結(jié)果Tab.3 YOLOv3-MC detection results on test set

圖10 測試集上的檢測結(jié)果圖Fig.10 Test renderings on test sets

表3以能否正確識別圖像樣本缺陷類型為判斷條件，得到測試集的檢測結(jié)果，測試集中的所有圖像均未出現(xiàn)在訓練集中。其中各缺陷類別數(shù)據(jù)檢測正確率均為100%，無缺陷焊縫檢測正確率為99.11%。說明了該模型對于缺陷樣本的檢測精度很高，可以滿足檢測需求。但是，在測試集的全部5 418張無缺陷圖像中，有48張無缺陷焊縫圖像錯誤檢測出了缺陷，其中誤檢為斷?。ㄖ眯哦葹?.33）一張，如圖11（a）所示；誤檢為焊瘤（置信度為0.38）一張，如圖11（b）所示；誤檢為氣孔9張，如圖11（c）所示；誤檢為偏焊37張，如圖11（d）所示。

圖11 測試集無缺陷圖像誤檢結(jié)果圖Fig.11 Error detection result of no defects images on test set

分析以上48張誤檢樣本，對于誤檢為氣孔缺陷的圖像，其特征為含有呈金色且形狀較小的斑點，而真實氣孔缺陷焊縫的缺陷特征為黑色斑點且形狀較大。誤檢為偏焊的圖像中，由于拍攝角度使得焊縫和縫隙有偏差，這種特征和偏焊的缺陷特征類似。誤檢為焊瘤的圖像，其特征和焊瘤缺陷特征也非常類似，從人工角度去判斷也有困難。為了在實際檢測中盡可能的減少無缺陷樣本的誤檢，即提高召回率，在采集圖像進行檢測時，要盡可能保證焊縫的清晰完整和角度垂直，避免出現(xiàn)誤檢；另一方面在算法上擴大數(shù)據(jù)集的規(guī)模，可以有更好的檢測結(jié)果。其次，也可將無缺陷類型樣本圖像也作為一個缺陷類型進行訓練和測試，可以減少誤檢情況發(fā)生，但是會增加模型的訓練難度和降低模型的泛化能力。

此外，YOLOv3-MC算法不僅可以得到如上圖10和11的檢測結(jié)果圖像，還可以得到具體圖像中缺陷檢測框的坐標和缺陷類型置信度，如下數(shù)據(jù)所示：“duanhu：82%（left_x：246 top_y：205 width：63 height：54）”，在后續(xù)的工作中可以對這些結(jié)果數(shù)據(jù)作分析。

5 結(jié) 論

本文提出了關(guān)于輪轂焊縫缺陷智能化檢測的新方法，將YOLOv3算法作為基礎(chǔ)檢測算法，設(shè)計了檢測方案，制作了數(shù)據(jù)集。使用效果更優(yōu)的Mish激活函數(shù)改進算法，以及使用CIoU度量指標改進損失函數(shù)，最終改進后的算法在檢測試驗中有更高的準確率和效率。

檢測試驗結(jié)果表明，改進后的模型在驗證集上（IoU閾值為0.5）的F1值為0.99，mAP值達到了98.94%，平均交并比為80.92%，在測試集上檢測的總體正確率為99.29%。檢測算法的單張檢測時間不超過14毫秒，檢測效率較高，滿足輪轂生產(chǎn)企業(yè)的生產(chǎn)線節(jié)拍要求。說明了該模型擁有高精度和較好的魯棒性，其可以在實際應用中準確識別、分類與定位輪轂焊縫缺陷，實現(xiàn)輪轂焊縫缺陷的智能化檢測，代替人工目測。

在后續(xù)工作中，由于YOLOv3-MC算法對硬件設(shè)備要求較高，在實際的工業(yè)應用中增加了成本，需在不損失檢測精度和效率的情況下，對模型進行剪枝等操作，縮減模型大小，降低使用成本。