الكشف عن عيوب قطع غيار السيارات بناءً على YOLOv7

يمكن أن تحدث عيوب معقدة متنوعة على أسطح قطع غيار السيارات الصغيرة أثناء التصنيع. مقارنةً بمجموعات البيانات الأخرى، فإن مجموعة بيانات عيوب قطع الغيار المستخدمة في هذه الورقة تحتوي على دقة كشف منخفضة بسبب العيوب المتنوعة ذات الفروق الكبيرة في الحجم، وقد ثبت أن خوارزميات الكشف عن الأهداف التقليدية غير فعالة، مما يؤدي غالبًا إلى عدم الكشف أو التعرف الخاطئ. لمعالجة هذه القضايا، تقدم هذه الورقة خوارزمية كشف عيوب تعتمد على YOLOv7. لتعزيز الكشف عن الأجسام الصغيرة وتبسيط النموذج، نقوم بدمج آلية الانتباه ECA في هيكل العمود الفقري للشبكة. نظرًا لصغر أحجام أهداف العيوب في قطع الغيار وتعقيد خلفياتها، يعاد تصميم الجزء العنقي من النموذج. يتضمن هذا التصميم الجديد دمج وحدة دمج الميزات BiFPN لتعزيز دمج الميزات، بهدف تقليل حالات الكشف المفقودة والانذارات الكاذبة. بالإضافة إلى ذلك، نستخدم دالة خسارة Alpha-IoU في مرحلة التنبؤ لتعزيز دقة النموذج، وهو أمر حاسم لتقليل الكشف الخاطئ. تعمل دالة خسارة IoU أيضًا على زيادة كفاءة النموذج في التلاقي. تم تقييم هذا النموذج باستخدام مجموعة بيانات الفولاذ من جامعة نورث إيسترن ومجموعة بيانات خاصة، وأظهرت أن متوسط الدقة (mAP) لشبكة الكشف MBEA-YOLOv7 كان 76.2% و94.1%، على التوالي. تمثل هذه الأرقام تحسينات قدرها 5.7% و4.7% مقارنة بشبكة YOLOv7 الأصلية. علاوة على ذلك، تتراوح سرعة الكشف للصور الفردية بين 1-2 مللي ثانية. لا يؤثر هذا التحسين في دقة الكشف عن الأهداف الصغيرة على سرعة الكشف، مما يلبي متطلبات الفحص الديناميكي في الوقت الحقيقي للعيوب.