基于改进YOLOv7的线束缺陷检测研究

针对目前线束端子压接缺陷检测过程中存在检测效率低、误检率高等问题，提出一种基于改进YOLOv7的线束缺陷检测方法。为提高算法的检测精度，在YOLOv7主干网络中添加归一化注意力模块(NAM),加强对检测目标的定位和识别；在颈部构建多尺度的集中特征金字塔网络(CFP),以捕捉不同尺度下的目标信息，加深对图像深层特征的提取；使用SIoU Loss替换CIoU Loss优化训练模型，在加快模型收敛的同时提高预测框的回归精度。实验结果表明，改进后的YOLOv7网络模型准确率达95.8%,召回率达94.5%,均值平均精度达97.6%,与原模型相比分别提高了5.0%、4.8%和3.3%,模型大小90.5 MB,检测时间为48 ms,有效提高了模型的检测精度。最后，使用PyQt5开源框架设计了线束端子压接缺陷检测系统，实现了端子压接缺陷检测的自动化和可视化，提高了缺陷检测效率，可以满足生产企业的需求。