融合三重注意力机制的板材焊缝缺陷在线检测

针对现有的焊缝缺陷检测算法存在的小尺度检测不准确、实时性差以及参数量大的问题，提出了一种改进的焊缝缺陷在线检测算法YOLO-TR，实现了对烧糊、烧穿、夹渣、未熔和错边5种常见焊缝缺陷的在线检测。采用三重注意力机制结合YOLOv5特征提取网络算法以提升模型的特征提取能力；颈部网络采用动态上采样模块，提升特征图分辨率，实现高精度检测的要求；通过添加分布式焦点检测头，在降低模型参数量的前提下，增强模型对尺度变化的稳定性；采用Shape-IoU损失函数提升回归精度与模型收敛速度。为验证算法的有效性，采用消融实验和对比实验，对YOLO-TR算法的综合性能进行评估。实验结果表明，YOLO-TR算法的精确率为92.5%，较原网络提升了3.6%；召回率为88.8%，较原网络提升了2.1%；全类型平均精度（mAP@0.5）较原网络提升了0.8%；模型参数量仅提升4.4%。本文算法能够实现焊缝缺陷的高效在线检测，具有良好的稳定性和泛化能力，且验证了YOLO-TR算法对工业缺陷检测领域的有效性。