基于改进YOLOv5算法的汽车零件焊点缺陷检测研究OA

针对汽车零件焊点缺陷检测任务,使用专业工业相机采集了1 635个样本,构建了涵盖焊穿、焊缝和缺口等缺陷类型的专用数据集。以YOLOv5深度学习模型为基础模型,引入Transformer的多头自注意力机制MHSA,将其嵌入骨干网络与特征融合模块,以增强复杂背景下的特征提取能力,并采用Focal-EIoU损失函数优化目标定位精度。实验结果表明,改进后的YOLOv5在自建数据集上的mAP50和mAP50-95分别较原始模型提升2百分点和4百分点。在计算开销方面,改进模型的推理延迟由40.02 ms降至35.01 ms, FPS由24.99帧/s提升至28.56帧/s,显存占用仅增加7.12 MB,在保持高效推理的同时实现了更优的检测精度,在工业视觉自动检测场景下展现出优越的检测性能。