Détection multi-type de défauts de soudure dans le soudage MIG de tôles galvanisées à l'aide d'un modèle YOLOv10 amélioré

L'inspection des soudures en atelier peut sembler être un problème résolu jusqu'à ce qu'une caméra soit déployée près d'une ligne de soudage MIG de tôles galvanisées. La soudure réfléchit la lumière, la texture change d'une image à l'autre, et les défauts d'intérêt sont souvent petits et visuellement subtils. De plus, le matériel proche de la ligne n'est rarement un GPU de centre de données. En tenant compte de ces contraintes, cet article présente YOLO-MIG, un détecteur compact basé sur YOLOv10n pour l'inspection des soudures dans des conditions de production pratiques. Nous apportons trois modifications ciblées au modèle de base : un bloc backbone C2f-EMSCP pour mieux préserver les indices faibles de défauts avec une croissance modérée des paramètres, un cou BiFPN pour maintenir l'information sur les petites cibles lors de la fusion des caractéristiques, et une tête C2fCIB pour nettoyer les prédictions qui autrement seraient distraites par les bords de la soudure et les artefacts d'illumination. Sur un ensemble de données collecté en atelier contenant 326 images originales, avec le sous-ensemble d'entraînement augmenté à 2608 échantillons annotés, YOLO-MIG atteint 98,4 % de mAP@0,5 et 56,29 % de mAP@0,5:0,95 sur le jeu de test tout en restant léger (1,83 M de paramètres, 3,87 Mo en poids FP16). Comparé à YOLOv10n, le modèle proposé améliore la mAP@0,5 de 9,36 points et la mAP@0,5:0,95 de 4,89 points, tout en réduisant les paramètres, les GFLOPs et la taille du modèle de 43,4 %, 19,9 % et 29,9 % respectivement. Les résultats suggèrent que YOLO-MIG est non seulement précis mais aussi réaliste à déployer en périphérie pour un contrôle intelligent de la qualité des soudures.