基于深度学习的多尺寸汽车轮辋焊缝检测与定位系统研究

为了实现汽车轮辋生产装备自动化与智能化，提升汽车轮辋的生产效率，降低人工成本，本文提出了一种基于YOLOv5s算法的多尺寸汽车轮辋焊缝检测与定位系统。首先，由图像采集装置拍摄实际生产中的多尺寸轮辋焊缝图像，构建轮辋焊缝数据集，使用K-means算法重新生成数据集锚定框，提升网络的收敛速度和特征提取能力；其次，引入CBAM(Convolutional Block Attention Module)混合域注意力机制，提高模型对于轮辋焊缝关注度，减少背景干扰；然后，采用EIOU(Efficient Intersection Over Union Loss)边框位置回归损失函数，提高轮辋焊缝识别框的准确率；最后，增加了ASFF(Adaptively Spatial Feature Fusion)自适应特征融合网络，使目标检测模型对多个级别的特征进行空间滤波。实验结果表明，改进后的算法准确率和mAP0.5分别达到了98.4%和99.2%，相比于原YOLOv5s算法分别提高了4.5%和3.7%。训练好的模型采用推理加速框架TensorRT进行加速部署在工控机上，搭配视觉检测软件与工业触摸屏形成交互...