汽车气缸盖锻件在生产过程中容易出现各种裂纹,影响产品质量。针对当前气缸盖锻件检测缺陷精度和效率低的问题,提出了一种基于YOLOv5网络改进的算法模型YOLOv5-MG。首先,搭建图像采集平台,制作气缸盖锻件缺陷样本数据集。然后,将YOLOv5 Head架构SPP-YOLO替换为Decoupled Head结构,提高模型的准确率和效率;使用双向特征金字塔(bidirectional feature pyramid network,BiFPN)替换YOLOv5网络原来的路径聚合网络(path aggregation network,PANet),增强图像浅层特征信息与深层特征信息的融合;引入完备交并(completeintersectionoverunion,CIoU)的计算方法提升算法检测的定位精度。实验表明,改进的算法在测试集上的均值平均精度达到了99.81%,F1的分值为0.99,浮点运算数为17.2B。相较于其他深度学习模型,该方法有效地提高了气缸盖锻件的缺陷检测效率和精度,能够满足缺陷检测的要求。

针对O型密封圈缺陷难以人工识别的问题,提出一种基于改进YOLOv5的表面缺陷自动检测方法。在数据预处理阶段,采用半自动标注方法减少人工标注成本,同时将拼接图片改为9张以实现Mosaic数据增强方法。在网络预测层引入标签平滑方法以减少模型过度依赖标签。在骨干网络中添加卷积注意力机制模块,强化有效信息,使骨干网络提取更加细致的局部特征信息。同时,针对缺陷类型尺度变化大的特点,引入剪枝的双向特征金字塔网络,以解决大小缺陷在特征提取过程中的丢失问题。实验结果表明,基于改进的YOLOv5与原YOLOv5相比,O型圈表面缺陷检测平均精度均值提高了4.26%,并且检测速度在25 ms之内,能够满足实际生产需要。