Debido a problemas como falsos positivos y falsos negativos en los métodos existentes de detección de defectos en puntos de soldadura de pequeños objetivos, se propone un algoritmo mejorado de detección de defectos en puntos de soldadura de pequeños objetivos basado en YOLOv7. Considerando que el tamaño de los puntos de soldadura es pequeño, se agregó una capa y una cabeza de detección de objetivos pequeños para extraer más información de características superficiales. Se introdujo un mecanismo de atención sin parámetros (SimAM) para asignar pesos tridimensionales al mapa de características, mejorando la capacidad del modelo para extraer características. Se utilizó convolución parcial (PConv) para reconstruir el módulo ELAN, reduciendo cálculos redundantes y accesos a memoria; en el cuello se utilizó la red de características de alcance largo (GiraffeDet) para fusionar características de diferentes escalas, mejorando la ligereza del modelo. Finalmente, la función de pérdida CIoU original fue mejorada con la función de pérdida NWD (Distancia Normalizada de Wasserstein), acelerando la convergencia del modelo y mejorando la precisión en la detección de pequeños objetivos. Los resultados experimentales demostraron que el algoritmo YOLOv7 mejorado alcanzó una precisión media de detección del 90.3%, un aumento del 5.1% en comparación con el algoritmo original, un recall mejorado del 3.2%, una reducción del 36.3% en el número de parámetros y una mejora significativa en la velocidad de convergencia. El algoritmo de este artículo proporciona una referencia para la detección de defectos en puntos de soldadura de pequeños objetivos en dispositivos edge.

Procesamiento de imágenes;Detección de defectos;YOLOv7;SimAM;Ligereza;NWD