Aufgrund von Problemen wie Fehlalarmen und Auslassungen bei den bestehenden Methoden zur Erkennung von Fehlern an kleinen Schweißpunkten wird ein verbesserter Algorithmus zur Fehlererkennung an kleinen Schweißpunkten basierend auf YOLOv7 vorgeschlagen. Da die Größe der Schweißpunkte klein ist, wurden eine kleine Objekterkennungsschicht und ein Erkennungskopf hinzugefügt, um mehr flache Merkmalsinformationen zu extrahieren. Ein parameterloser Aufmerksamkeitsmechanismus (SimAM) wurde eingeführt, um der Merkmalskarte dreidimensionale Gewichte zuzuweisen und die Merkmalsextraktionsfähigkeit des Modells zu verbessern. Teilweise Faltung (PConv) wurde verwendet, um das ELAN-Modul umzubauen, redundante Berechnungen und Speicherzugriffe zu reduzieren, und im Halsbereich wurde das Langdistanz-Merkmalsnetzwerk (GiraffeDet) verwendet, um Merkmale verschiedener Skalen zu fusionieren und die Modell-Leichtbaulichkeit zu erhöhen. Schließlich wurde die ursprüngliche CIoU-Verlustfunktion mit der NWD-Verlustfunktion (Normalized Wasserstein Distance) verbessert, um die Modellkonvergenz zu beschleunigen und die Genauigkeit der Erkennung kleiner Objekte zu erhöhen. Experimentelle Ergebnisse zeigen, dass der verbesserte YOLOv7-Algorithmus eine durchschnittliche Erkennungsgenauigkeit von 90,3 % erreicht, was eine Steigerung von 5,1 % gegenüber dem Originalalgorithmus bedeutet, mit einer Rückrufquote von 3,2 %, einer Reduzierung der Parameteranzahl um 36,3 % und einer deutlichen Verbesserung der Konvergenzgeschwindigkeit. Der Algorithmus dieser Arbeit bietet eine Referenz für die Erkennung von Fehlern an kleinen Schweißpunkten auf Edge-Geräten.

Bildverarbeitung;Fehlererkennung;YOLOv7;SimAM;Leichtbau;NWD