基于YOLOv5的换向器表面缺陷检测算法研究

在零部件制造和使用过程中，可能会在零部件表面出现缺损现象，而零部件在反复使用过程中其微小缺陷可能扩大甚至使损坏零部件，进而导致零部件所在系统发生故障。以工业用典型零部件换向器为研究对象，提出了基于深度学习算法的零部件缺陷检测方法。研究中，基于KolektorSDD数据集，首先采用Mosaic数据增强方法对换向器缺陷数据集中的数据进行旋转、裁剪等处理，对数据集进行扩充，构建数据集。其次，将构建的数据集划分为训练集和测试集。采用构建的训练数据集，搭建深度学习框架并采用YOLOv5卷积神经网络训练模型，建立换向器表面缺陷识别模型。最后，采用构建的识别模型对测试集中的数据进行测试。结果表明，训练模型性能评价指标平均精确率均值(mAP)及正样本召回率(Recall)均高达95%以上，采用深度学习中YOLOv5目标检测算法对换向器表面缺陷的检测精度可高达90%。