Face aux problèmes de fausses détections et de détections manquées des méthodes actuelles de détection des défauts sur les points de soudure de petite taille, un algorithme amélioré de détection des défauts sur les points de soudure de petite taille basé sur YOLOv7 est proposé. Étant donné la petite taille des points de soudure, une couche et une tête de détection des petits objets ont été ajoutées pour extraire davantage d'informations sur les caractéristiques superficielles. Un mécanisme d'attention sans paramètre (SimAM) a été introduit pour attribuer des poids tridimensionnels à la carte des caractéristiques, améliorant la capacité d'extraction des caractéristiques du modèle. Une convolution partielle (PConv) a été utilisée pour reconstruire le module ELAN, réduisant les calculs redondants et les accès mémoire. Au niveau du cou, le réseau de caractéristiques à longue portée (GiraffeDet) a fusionné des caractéristiques à différentes échelles, améliorant la légèreté du modèle. Enfin, la fonction de perte CIoU d'origine a été améliorée grâce à la fonction de perte NWD (Normalized Wasserstein Distance), accélérant la convergence du modèle et améliorant la précision de détection des petits objets. Les résultats expérimentaux montrent que l'algorithme YOLOv7 amélioré atteint une précision moyenne de détection de 90,3 %, soit une augmentation de 5,1 % par rapport à l'algorithme original, un rappel amélioré de 3,2 %, une réduction de 36,3 % du nombre de paramètres et une amélioration significative de la vitesse de convergence. L'algorithme présenté dans cet article fournit une référence pour la détection des défauts des petits points de soudure sur les dispositifs en périphérie.

Traitement d'images;Détection de défauts;YOLOv7;SimAM;Allégement;NWD