YOLO-BP pour la détection des défauts de coiffe d'électrode à échelle multiple et de forte variation intra-classe dans le soudage par points par résistance

L'inspection des conditions de surface des coiffes d'électrode est cruciale dans le soudage par points par résistance. Les solutions actuelles reposent largement sur l'inspection manuelle ou des approches basées sur des capteurs, avec une exploration limitée des approches basées sur la vision. Cet article propose un cadre de détection de défauts basé sur la vision, YOLO-BP, pour inspecter les défauts de surface des embouts de coiffe d'électrode, en particulier les marques de brûlure noires qui présentent une forte variabilité d'apparence. La contribution clé est l'incorporation d'un nouveau mécanisme d'attention, BiLevel Spatial Selective Attention (BSSA), qui intègre de manière synergique les attentions hiérarchique et sélective au sein de l'architecture YOLOv13. L'attention hiérarchique utilise le module BiLevel Spatial Attention (BSAM) pour renforcer l'extraction de la géométrie globale des défauts lorsque ces derniers sont répartis spatialement, et des irrégularités locales lorsque les défauts sont petits ou dispersés. Parallèlement, l'attention sélective emploie le module Partial Convolution (PConv) pour détecter de manière sélective les régions sensibles aux défauts. Pour faciliter l'évaluation de la détection des défauts, un nouveau jeu de données annoté Electrode Cap Tip Surface Defect (ECTSD) contenant diverses imperfections de surface d'embouts de coiffe d'électrode est construit. Les résultats montrent que YOLO-BP atteint 66,5 % de mAP@0.5 et 31,3 % de mAP@0.5-0.95, correspondant à une amélioration de 2,9 % et 2,1 % respectivement par rapport à la référence YOLOv13, avec des gains de 1,7 % en rappel et 1,1 % en F1-Score, tout en maintenant un temps d'inférence efficace de 0,8 ms. Comparé à YOLOv13 intégré avec le Convolutional Block Attention Module (CBAM), YOLO-BP démontre un avantage clair dans la détection des défauts divers, atteignant 4,5 % de mAP@0.5 et 8 % de mAP@0.5-0.95 en plus. De plus, il obtient le meilleur F1-Score de 67,7 % lorsqu'il est comparé à YOLOv5 à YOLOv12. La supériorité globale de la détection des défauts indique l'efficacité de YOLO-BP pour minimiser les faux négatifs, soulignant son application pratique dans l'inspection industrielle des défauts.