Para realizar a detecção inteligente de defeitos nas soldas dos cubos, este artigo aprimora o algoritmo de detecção de objetos de aprendizado profundo (You Only Look Once versão 3, YOLOv3) para obter o algoritmo YOLOv3-MC destinado à detecção de defeitos nas soldas dos cubos. Primeiro, imagens das soldas dos cubos foram coletadas usando uma câmera industrial, em seguida, as imagens foram anotadas para criar um conjunto de dados, que foi expandido por métodos de aumento de dados. Em seguida, para melhorar a precisão da detecção do algoritmo, a função de ativação na rede backbone do YOLOv3 foi substituída pela função de ativação Mish. A função de perda do algoritmo foi modificada utilizando o método de cálculo de interseção completa sobre união (Complete Intersection over Union, CIoU) para aprimorar a precisão da localização. Por fim, o modelo do algoritmo foi treinado com o conjunto de treinamento e testes de detecção foram realizados com os conjuntos de validação e teste. Os resultados indicam que o melhor modelo YOLOv3-MC atingiu uma precisão média (Mean Average Precision, mAP) de 98,94% no conjunto de validação, uma pontuação F1 de 0,99, uma interseção média sobre união (Average Intersection over Union, AvgIoU) de 80,92%, uma velocidade de detecção de 76,59 quadros por segundo e um tamanho do modelo de 234 MB. O modelo atingiu uma precisão de detecção correta de 99,29% no conjunto de teste. Em comparação com os métodos tradicionais de detecção por visão computacional, este método melhorou a precisão da detecção, atendendo às necessidades de detecção online em tempo real das soldas para empresas fabricantes de cubos.

detecção de defeitos de solda;YOLOv3-MC;função de ativação Mish;função de perda