1. 项目背景与核心挑战
在工业质检领域，焊接缺陷检测一直是影响产品质量控制的关键环节。传统人工检测方式存在效率低、漏检率高、标准不统一等痛点，而基于深度学习的自动化检测技术正在逐步改变这一现状。我们团队在实际项目中发现，现有YOLOv5模型在焊接缺陷检测任务中存在三个典型问题：
- 小目标漏检：焊缝中的气孔、夹渣等微小缺陷（通常仅占图像2-5像素）容易被忽略
- 相似特征误判：未焊透与咬边缺陷因形态相似导致分类准确率不足
- 复杂背景干扰：焊接飞溅、氧化变色等干扰因素影响检测稳定性
针对这些问题，我们提出融合GFPN（Global Feature Pyramid Network）的改进方案，在保持YOLOv5实时性的前提下，将平均检测精度（mAP@0.5）从原始模型的76.3%提升至89.7%。下面详细解析技术实现路径。
2. 关键技术方案设计
2.1 GFPN网络架构解析
GFPN的核心创新在于构建全局特征金字塔，通过跨尺度特征融合解决传统FPN的局限性。其关键组件包括：
-
双向特征传播模块：
- 自上而下路径：对高层语义特征进行2倍上采样
- 自下而上路径：对底层细节特征进行3×3卷积+ReLU处理
- 特征融合采用加权相加方式（α=0.6, β=0.4）
-
多尺度注意力机制：
python复制class ScaleAttention(nn.Module):
def __init__(self, channels):
super().__init__()
self.query = nn.Conv2d(channels, channels//8, 1)
self.key = nn.Conv2d(channels, channels//8, 1)
self.value = nn.Conv2d(channels, channels, 1)
def forward(self, x):
B, C, H, W = x.shape
q = self.query(x).view(B, -1, H*W).permute(0,2,1)
k = self.key(x).view(B, -1, H*W)
v = self.value(x).view(B, -1, H*W)
attn = torch.softmax(torch.bmm(q, k)/math.sqrt(C), dim=-1)
out = torch.bmm(v, attn.permute(0,2,1)).view(B,C,H,W)
return x + out
2.2 YOLOv5改进方案
在YOLOv5s基础上进行以下关键修改：
-
骨干网络增强：
- 替换原C3模块为GFPN_C3（增加跨层连接）
- 在Neck部分插入ScaleAttention模块
- 输出层增加80×80的小目标检测头
-
损失函数优化：
- 采用EIoU损失替代CIoU
- 分类损失加入Focal Loss权重（γ=2.0）
- 增加小目标检测的权重系数（λ=1.5）
注意：模型修改后参数量仅增加8.7%（7.4M→8.1M），推理速度仍保持56FPS（RTX 3060）
3. 数据集构建与训练细节
3.1 焊接缺陷数据特点
我们收集了涵盖6类常见缺陷的工业数据集：
| 缺陷类型 | 样本数量 | 平均尺寸(pixel) | 典型特征 |
|---|---|---|---|
| 气孔 | 2,347 | 4×4 | 圆形暗斑 |
| 夹渣 | 1,892 | 6×3 | 条状异物 |
| 未焊透 | 1,576 | 15×2 | 线性缝隙 |
| 咬边 | 1,843 | 10×3 | 边缘凹陷 |
| 裂纹 | 987 | 20×1 | 放射纹路 |
| 焊瘤 | 2,156 | 8×8 | 凸起团块 |
3.2 数据增强策略
针对焊接图像特性设计增强方案：
- 光学干扰模拟：
- 随机添加焊接弧光耀斑（概率0.3）
- 模拟氧化变色（HSV空间扰动）
- 几何形变：
- 弹性变换模拟金属变形
- 局部扭曲模拟热影响区
- 小目标强化：
- 复制粘贴增强（Copy-Paste Augmentation）
- 随机缩放（0.5-1.5倍）
3.3 训练参数配置
关键训练超参数设置：
yaml复制lr0: 0.01 # 初始学习率
lrf: 0.2 # 最终学习率衰减系数
momentum: 0.937
weight_decay: 0.0005
warmup_epochs: 3
batch_size: 32
input_size: [640, 640] # 兼顾速度与精度
4. 实验结果与分析
4.1 性能对比测试
在自有测试集（1,200张）上的评估结果：
| 模型 | mAP@0.5 | 小目标AP | 推理速度(FPS) |
|---|---|---|---|
| YOLOv5s | 76.3% | 52.1% | 62 |
| YOLOv5s+GFPN | 89.7% | 78.6% | 56 |
| Faster R-CNN | 83.2% | 65.4% | 18 |
| RetinaNet | 80.5% | 60.2% | 23 |
4.2 典型检测案例
4.3 消融实验
验证各改进模块的贡献度：
| 改进项 | mAP提升 | 参数量增加 |
|---|---|---|
| +GFPN结构 | +7.2% | +5.3% |
| +ScaleAttention | +3.1% | +2.1% |
| +小目标检测头 | +2.8% | +1.3% |
| 损失函数优化 | +1.5% | - |
5. 工程部署实践
5.1 工业场景适配方案
针对不同应用场景的部署建议：
- 在线检测：
- 使用TensorRT加速（FP16精度）
- 采用多线程流水线处理（采集→推理→结果返回）
- 离线抽检：
- 支持批量图片处理（batch_size=8）
- 生成可视化报告（缺陷分布热力图）
5.2 常见问题排查
实际部署中遇到的典型问题：
- 误检问题：
- 现象：将金属反光识别为气孔
- 解决：在预处理增加偏振滤波模拟
- 漏检问题：
- 现象：连续焊道中的密集缺陷漏检
- 解决：调整NMS阈值（从0.45→0.35）
- 硬件适配：
- 现象：工业相机帧率不稳定
- 解决：动态调整输入分辨率（640→480）
5.3 性能优化技巧
经过实测有效的优化手段：
- 使用OpenCV的DNN模块替代原生PyTorch推理（提速15%）
- 对检测结果进行时序滤波（3帧滑动窗口）
- 采用模型剪枝（通道剪枝率20%）
这套改进方案已在某汽车焊接产线稳定运行6个月，日均检测焊点12,000个，误检率<0.8%，相比原人工检测效率提升20倍。关键突破在于GFPN的多尺度特征融合能力与焊接缺陷的形态特性高度匹配，后续可进一步探索在激光焊接等新场景的应用。