Devido aos problemas existentes nos algoritmos de detecção de defeitos de solda atuais, como a detecção imprecisa em pequena escala, baixa capacidade em tempo real e grande quantidade de parâmetros, foi proposto um algoritmo aprimorado de detecção online de defeitos de solda chamado YOLO-TR. O algoritmo realiza a detecção online de cinco defeitos comuns de solda: queimadura, perfuração, inclusões de escória, falta de fusão e desalinhamento. Adota um mecanismo de atenção tripla combinado com a rede de extração de características YOLOv5 para melhorar a capacidade de extração de características do modelo; a rede do pescoço utiliza um módulo de superamostragem dinâmico para melhorar a resolução dos mapas de características e atender aos requisitos de detecção de alta precisão; adicionando uma cabeça distribuída de detecção focal, fortalece a estabilidade do modelo para variações de escala enquanto reduz a quantidade de parâmetros; utiliza a função de perda Shape-IoU para melhorar a precisão da regressão e a velocidade de convergência do modelo. Para verificar a eficácia do algoritmo, foram realizados experimentos de ablação e experimentos comparativos para avaliar o desempenho geral do algoritmo YOLO-TR. Os resultados experimentais mostram que a precisão do algoritmo é de 92,5%, com um aumento de 3,6% em relação à rede original; a taxa de recall é de 88,8%, um aumento de 2,1%; a precisão média em todos os tipos (mAP@0.5) aumentou 0,8%; o número de parâmetros do modelo aumentou apenas 4,4%. O algoritmo apresentado pode realizar a detecção online eficiente de defeitos de solda com boa estabilidade e capacidade de generalização, e valida a eficácia do algoritmo YOLO-TR no campo da detecção de defeitos industriais.

detecção de defeitos;YOLOv5;mecanismo de atenção tripla;cabeça distribuída de detecção focal;superamostragem dinâmica