基于改進(jìn)YOLOv7的換熱器板片故障檢測算法研究

2024年6月第52卷第11期Vol.52No.11DOI:10.3969/j.issn.1001-3881.2024.11.017(11):105-113.provedYOLOv7[J].MachineTool&Hydraulics,2024,52(11(北京信息科技大學(xué)，現(xiàn)代測控技術(shù)教育部重點(diǎn)實(shí)驗(yàn)室，北京100192)WANGBotao,ZHOUFuqiang,WUG(KeyLaboratoryofModernMeasurement&ControlTechnology,MinistryofEducation,BeijinghasmAP@0.5,recallrateR,andinspectionspeedincreasedby隨著我國經(jīng)濟(jì)和現(xiàn)代工業(yè)的不斷發(fā)展，換熱器的需求日益增長，應(yīng)用領(lǐng)域越來越廣，所使用的比重也越來越大1。板式換熱器廣泛應(yīng)用于石油、化工、冶金、電力、船舶、集中供暖、制冷空調(diào)、機(jī)械、食品、制藥等領(lǐng)域[2]。作為換熱器核心部件之一的換熱·106·測方法，達(dá)不到定量檢測。隨著人工智能的發(fā)展，采用機(jī)器視覺檢測換熱器安裝問題的方式日趨成2017年，MOKHTARI等3提出一種基于多種特2022年，陳紹奇6根據(jù)板式換熱器板片表面缺陷特故障檢測算法，首先采用CLAHE(ContrastLimited意力機(jī)制(MLA),添加至Backbon后；針對Neck部分，針對損失函數(shù)及Neck部分的PANet結(jié)構(gòu)等做出改進(jìn)，最后通過消融實(shí)驗(yàn)、不同模型對比實(shí)驗(yàn)進(jìn)行驗(yàn)證，證明了改進(jìn)后模型種用于提高圖像對比的數(shù)字圖像處理技術(shù)7。通過限制對比度自適應(yīng)直方圖均衡化的實(shí)現(xiàn)原理(1)分塊。將輸入圖像劃分為M×M個(gè)不重疊(3)計(jì)算剪切閾值。使用預(yù)先設(shè)定的閾值對每(4)直方圖均衡。根據(jù)剪裁過的灰度直方圖計(jì)算得到變換函數(shù)，每一子塊進(jìn)行直方圖均衡化處(5)對每個(gè)子塊的像素點(diǎn)使用雙線性插值算法采用CLAHE算法對待檢測圖像進(jìn)行清晰度增強(qiáng)處征提取(Backbone)、檢測頭(Head)11]。首先將對第11期王伯濤等：基于改進(jìn)YOLOv7的換熱器板片故障檢測算法研究·107作者提出一種多級自適應(yīng)注意力機(jī)制(Multi-levelAdaptiveAttentionMechanism,MLA),并將其添加至自適應(yīng)融合通道注意力機(jī)制pos網(wǎng)格空間注意力機(jī)制pos網(wǎng)格空間注意力機(jī)制Fig.3Multi-leveladaptiveattentionmechanism·108機(jī)床與液壓第52卷的權(quán)值矩陣；β?和β?表示通道注意力權(quán)重；λ表示和級聯(lián)后的通道注意力權(quán)重逐通道相乘；X?表示校對特征圖的空間維度進(jìn)行歸一化，得到坐標(biāo)網(wǎng)格。該網(wǎng)格與輸入特征圖沿通道維度進(jìn)行最大池化和平均池化，聚合特征圖的空間信息進(jìn)行拼接，并通過一個(gè)3×3卷積將3種位置進(jìn)行融合。最后使用Sig-moid激活函數(shù)與注意力融合結(jié)果進(jìn)行激活，并將其與輸入特征圖進(jìn)行逐元素相乘，得到通過GSA后的最終輸出結(jié)果。β?=C(A(P(X),Avgpool(X式中：X表示輸入特征圖矩陣；Avgpool為平均合后的注意力權(quán)重逐通道相乘；X?表示校準(zhǔn)后的特1.4基于深度可分離卷積的MP-D模塊個(gè)k=3、s=2的卷積或者一個(gè)s=2的最大池化。在分支并聯(lián)組合出MP模塊用于下采樣，如圖4所示。圖4MP結(jié)構(gòu)由圖4可知，第一條分支經(jīng)最大池化和1×1卷積進(jìn)行通道數(shù)的改變。第二條分支先經(jīng)1×1的卷積做通道數(shù)的變化，再經(jīng)k=3、s=2的卷積做圖片尺寸MP模塊中第二個(gè)分支采用k=3、s=2的卷積核，當(dāng)步長為2時(shí)，可能會丟失一些特征信息，網(wǎng)絡(luò)1.4.2深度可分離卷積與普通卷積的對比卷積求和，經(jīng)過上述兩種卷積才可得到最終的輸出。整體結(jié)構(gòu)如圖5所示。Depthwiseseparableconvol致的輸出特征圖[13;其次，由逐點(diǎn)卷積對特征圖進(jìn)6、7所示。88DepthwiseSeparableDepthwiseSeparableConvolution388第11期王伯濤等：基于改進(jìn)YOLOv7的換熱器板片故障檢測算法研究.1098×8×3的輸出特征圖，用256個(gè)1×1×3的卷積核對輸入特征圖進(jìn)行卷積操作，最終輸出的特征圖也為8×8×256。由此可得，二者在最終輸出結(jié)果一致的情況下，深度可分離卷積替換原來的卷積操作可能會在一定程度上減少特征損失，提高模輸入通道數(shù)為M,輸出通道數(shù)為N,卷積核大小為B?=M·K·K·NA?=(DW)?+(PW),=K·K·M·Dp·D,+M·N·D,·DB?=(DW)?+(PW)?=M·K·K+由式(12)(13)可得：相比于普通卷積來說，同時(shí)保持模型的準(zhǔn)確性。改進(jìn)后的MP-D如圖9onBNReLUMaxpoolDW(a)PANetFig.10Networkstructurecomparison:(PANet在FPN基礎(chǔ)上增加了一條自底向上的特特征圖，提高目標(biāo)檢測的性能。本文作者針對于SiLU,同時(shí)它具有更強(qiáng)的非線性表達(dá)能力1.7YOLOv7-MLA網(wǎng)絡(luò)結(jié)構(gòu)改進(jìn)后YOLOv7網(wǎng)絡(luò)結(jié)構(gòu)如圖12所示。具體改進(jìn)點(diǎn)包括：(1)多級自適應(yīng)注意力機(jī)制(MLA)的加入使得局部特征提取能力顯著增強(qiáng)；(2)使用取部分的參數(shù)量；(3)在Neck部分融合了BiFPN跨尺度連接的思想(圖中紅線所示);(4)在特征提取NeckNeck+BiFPN改進(jìn)的MP-D模塊融合BiFPN跨尺度連接注意力機(jī)制激活函數(shù)Fig.12YOLOv7-MLAnetwork照7:1:2比例劃分為訓(xùn)練集、驗(yàn)證集、測試集；通類：板片裝配正確為True、板片裝配有誤為False。Fig.13Sampleoflow-layerheatexchangerplate圖14實(shí)際應(yīng)用Fig.14Practicalapplication:(a)overallpicture;3.1數(shù)據(jù)增強(qiáng)結(jié)果均衡化處理前、后的圖像分別如圖15、16所示。Fig.15UnprocessedimageFig.16Ima至0.02001,mAP@0.5達(dá)到99.4%。圖17Loss曲線N圖18mAP@0.5曲線Fig.18mAP@0.5curves3.4消融實(shí)驗(yàn)實(shí)驗(yàn)結(jié)果發(fā)現(xiàn)：改進(jìn)后的YOL0v7(序號5)和傳統(tǒng)的YOLOv7(序號1)相比，R提升了2%,精確率P上升了4.1%,mAP@0.5提高了0.6%,參數(shù)量可能存在模型各項(xiàng)檢測性能下降的風(fēng)險(xiǎn)，整體改進(jìn)后的YOLOv7算法各項(xiàng)性能指標(biāo)均有顯著提升，明顯優(yōu)·112機(jī)床與液壓第52卷于原始模型和其他模型。故改進(jìn)算法對于換熱器板片不僅檢測速度快，還能夠較為準(zhǔn)確地檢測識別出相關(guān)裝配故障檢測的效果比傳統(tǒng)的YOLOv7表現(xiàn)更優(yōu)秀，物體。mAP@0.5/%1√2√√3√√4√√5√√圖19準(zhǔn)確率對比3.5與其他算法對比為了更好地評估改進(jìn)后的YOLOv7網(wǎng)絡(luò)模型，本文作者對其余3種算法進(jìn)行實(shí)驗(yàn)對比，以mAP@0.5和檢測速度作為衡量標(biāo)準(zhǔn)，檢測結(jié)果如表2所示。mAP@0.5/%檢測速度/(幀·s-1)改進(jìn)的YOLOv7YOLOv5相比，mAP@0.5提升6.1%,檢測速度提高了22.1幀/s;與改進(jìn)后的YOLOv5相比，mAP@0.5提升3.8%,檢測速度提高了20.3幀/s。綜上所述，文中算法在mAP@0.5和檢測速度上均優(yōu)于上述算法，效果顯著,表明了所提方法的有效性?；赮OLOv7提出一種改進(jìn)的目標(biāo)檢測算法：多級自適應(yīng)注意力機(jī)制(MLA)的加入，使得網(wǎng)絡(luò)能夠關(guān)注到局部更加微小的區(qū)域，大大提高檢測成功的準(zhǔn)確率；MP-D模塊的加入，可以減少模型計(jì)算量和參數(shù)量，減少下采樣特征損失嚴(yán)重的問題；BiFPN跨尺度連接思想的加入，可以更好地結(jié)合特征圖上下文信息，進(jìn)一步提高不同尺度特征圖融合的效率和準(zhǔn)確性。最后通過消融實(shí)驗(yàn)和不同模型對比實(shí)驗(yàn)驗(yàn)證可得，文中算法的檢測速度、檢測精確率均優(yōu)于傳統(tǒng)的參考文獻(xiàn)scaleheatexchangerinChina[J].JournalofMechaEngineering,2013,49(10):134-143.MeasurementandInstrumentation,20wayScienceandEngineering,2021,18(3):623-6[6]陳紹奇.板式換熱器板片缺陷檢測方法研究[D].沈陽：inplateheatexchanger[D].Shenyang:ShenyangofTechnology,2022.式輸送機(jī)異物識別[J].工礦自動(dòng)化，2022,48(12):26-MA0QH,LISK,HUX,etal.ForeignobjectrofbeltconveyorincoalminebasedonimprovedYOLOv7[J].JournalofMineAutomation,2022,48(12)[8]鄭雙明.基于循環(huán)生成對抗網(wǎng)絡(luò)增強(qiáng)單焦點(diǎn)超聲圖像質(zhì)Chengdu:UniversityofElectronicScienceandTeofChina,2023.[9]張博龍.動(dòng)態(tài)煙塵環(huán)境下圖像導(dǎo)引跟蹤關(guān)鍵技術(shù)研究ZHANGBL.Keytechnologyresearchontrackingindynamicsmokeenvironmen[10]朱大昌，黃樂涵.基于暗通道先驗(yàn)改進(jìn)算法的水下圖像增強(qiáng)方法研究[J].電光與控制，2022,29(12):41-ZHUDC,HUANGLH.UnderwaterimageenhanbasedonimprovedalgorithmofdElectronicsOptics&Control,2022,29(12real-timedetectionofprohibiteditems[J].ComputerEgineeringandApplications,2023,59(12):193-200.attentiondeeplearningmethodforhuman-vehinitionb