关键词:
高频变压器
缺陷检测
YOLOv7
注意力机制
IOU损失
摘要:
高频变压器是工作频率超过10KHz的电源变压器,是开关电源的重要组成部分,广泛应用于各种电子设备的电源适配器中。其外观缺陷的检测是保证高频变压器产品质量的必要环节。目前常规的检测方法包括人工流水线形式的质检和常规机器视觉算法辅助检测。人工质检易受人为因素影响。常规的机器视觉方法的检出率低,泛化能力差,对缺陷的识别停留于表层特征,以至于误检率和检出率都不理想。所以本文基于深度学习理论和需求对高频变压器外观缺陷实时检测算法进行研究。具体研究工作如下:(1)生产现场的图像数据采集和分类。在四川某高频变压器生产厂的帮助下,共搜集了1300余张图片,然后依照缺陷的特征进行种类划分,共划分为6大类缺陷,覆盖实际生产中可能出现的14类外观缺陷。随后进行了数据集的标注工作,每类标记得到1100余个目标框,全数据集共有目标框6900余个。至此,完成高频变压器外观缺陷数据集的制作。(2)选择实时性较好的深度学习目标检测网络YOLOv7作为基础模型,并对其网络结构进行改进。针对YOLOv7的特征提取网络具有模型尺寸和浮点计算量庞大的问题。将YOLOv7的原特征提取网络替换为其他轻型结构进行对比实验,最终选择轻型结构Densenet121作为新的特征提取网络。结果显示可使模型的浮点运算量FLOPs下降75%,模型大小减少57%,但同时精度小幅下降1.4%。(3)对特征融合网络部分进行改进。通过对比多种注意力机制的实验结果,发现高频变压器外观缺陷数据集对空间注意力更加敏感。故基于SAM空间注意力模块,设计了一种多分支的空间注意力机制SAMPlus。SAMPlus分为空间信息记录和空间信息融合两个模块,可以对一定范围内的空间信息记录并加以利用,其相较于SAM模块对空间特征信息具有更强的处理能力。应用于YOLOv7-densenet121的特征融合网络后,使模型的m AP@0.5:0.95提高了2.3%。(4)将YOLOv7的IOU损失函数GIOU更换为EIOU,加快了模型收敛速度的同时,使网络精度得到进一步提升。最终,模型的m AP@0.5:0.95达到84.0%,FLOPs为26.26G,模型大小62.25M。相比于原YOLOv7模型,分别优化了2.1%,75.2%,57.5%。(5)搭建测试平台,进行模型精度和速度的测试。经测试原模型在部署后平均处理速度为23帧/s,而经过优化后的YOLOv7-densenet121-4SAMPlus模型的处理速度达到了42帧/s。使用100个次品元件进行精度测试,优化后模型的漏检数和误检数均为最低。测试结果表明,优化后的模型满足高频变压器外观缺陷实时检测要求,精度相比于传统算法亦有大幅提升。