基于改进YOLOv5模型的船舶焊缝缺陷检测方法.pdf

第6 3卷第4期20 2 3年7月大 连 理 工 大 学 学 报J o u r n a l o fD a l i a nU n i v e r s i t yo fT e c h n o l o g yV o l.6 3,N o.4J u l y 2 0 2 3文章编号:1 0 0 0-8 6 0 8(2 0 2 3)0 4-0 3 8 5-0 8基于改进Y O L O v 5模型的船舶焊缝缺陷检测方法高 翔1,李 楷*1,衣 正 尧2,周 玉 松3,陆 丛 红1(1.大连理工大学 船舶工程学院,辽宁 大连 1 1 6 0 2 4;2.大连海洋大学 航海与船舶工程学院,辽宁 大连 1 1 6 0 2 3;3.大连船舶重工集团设计研究院有限公司,辽宁 大连 1 1 6 0 0 5)摘要:当前船舶焊缝缺陷检测主要是通过人工目视的手段检查焊缝的射线探伤图像进行的,存在耗时长、工作量大、效率低的问题,为此提出了一种基于改进Y O L O v 5模型的船舶焊缝缺陷检测方法.首先对11 5 2张船舶焊缝射线图像进行标注,建立船舶焊缝射线图像数据集;然后根据船舶焊缝缺陷几何尺寸小、特征不明显的特点,对Y O L O v 5模型进行改进.通过对图像进行正弦灰度变换,提高缺陷处的对比度.加入卷积注意力模块(C B AM),增大感兴趣区域的权重.增加检测尺度,提高对微小目标的检测精度.计算对比检测结果表明,使用改进的Y O L O v 5模型对船舶焊缝缺陷进行识别,使精确度从9 5.3%提高到9 8.4%,召回率从7 7.5%提高到7 7.9%,交并比为0.5时的平均精确度从8 1.5%提高到8 4.2%,证明该方法可以有效地改进船舶焊缝缺陷检测的效果.关键词:目标检测;船舶焊缝缺陷;YO L O v 5模型;灰度变换;卷积注意力模块中图分类号:U 6 7 1.8 4文献标识码:Ad o i:1 0.7 5 1 1/d l l g x b 2 0 2 3 0 4 0 0 8收稿日期:2 0 2 2-0 4-0 4;修回日期:2 0 2 3-0 2-0 6.基金项目:国家自然科学基金资助项目(5 1 5 0 9 0 3 3);中央高校基本科研业务费专项资金资助项目(D UT 1 9 J C 5 1).作者简介:高翔(1 9 9 7),男,硕士生,E-m a i l:x i a n g_g a om a i l.d l u t.e d u.c n;李楷*(1 9 8 4),男,博士,副教授,硕士生导师,E-m a i l:l i k a i d l u t.e d u.c n.0 引 言目前船舶建造的方式主要是通过焊接将板材、骨材组合成分段、总段,最终形成整个船体.焊接在船舶 建造周期中 占3 0%4 0%的 建造 工时1,焊接质量对船体结构的完整性、舱室的密闭性起到决定性的作用.如何快速、高效地对船体焊接质量进行检测是船舶建造过程中广受关注的一个问题.国内外各大船厂广泛采用的焊缝缺陷检测方法是依靠人工目视手段检测焊缝X射线探伤图像,这种方式存在耗时长、效率低以及工作量大的问题2,而且船舶焊缝射线探伤图像具有缺陷几何尺寸小、特征不明显的特点,对于经验不足的检测人员而言,容易发生漏检、错检的问题.因此有必要开发一种基于机器视觉的船舶焊缝缺陷识别方法,以避免人工识别过程中的人为错误.樊凌3提出了一种基于图像处理和机器学习的船舶焊接缺陷识别技术,使用一些图像处理算法对焊缝深度进行图像处理,使图像着重突出缺陷特征,再用支持向量机(S VM)算法对焊缝缺陷进行分类,但是该算法在进行图像处理时,图像经历了过多的处理流程,可能会产生焊缝缺陷特征消失的情况,而且S VM算法属于二分类算法,对多种缺陷分类时,程序比较复杂.Z h a n g等4将分割好的疑似缺陷区域图像输入区域卷积神经网络(R C NN)模型中,对焊缝缺陷进行分类,在减小检测工作量的同时提高了缺陷识别的精确度,但是R C NN模型因为候选框由速度较慢的选择性搜索(s e l e c t i v es e a r c h)算法完成以及重复卷积网络计算,计算速度很慢,内存占用量大.X u等5提出了一个基于语义分割方法的自动焊接缺陷检测系统,使用组合特征金字塔网络(F P N)和残差神经网络(R e s-N e t)的语义分割网络,更好地利用了浅层特征,实现了将深层特征与浅层特征的融合预测,并形成了端到端焊接缺陷检测.渠慧帆6提出基于改进的F a s t e r-R C NN算法对焊缝缺陷进行检测的方法,通过改进模型候选框尺寸和更换特征提取模型,提高了焊缝缺陷检测的精确度,特别是提高了对小尺寸目标的检测精度,但F a s t e r-R C NN算法运行速度较慢,在工业生产过程中不能满足实时检测场景的需要.常晓莹7也提出一种基于改进的F a s t e r-R C NN算法对焊缝缺陷进行检测的方法,通过引入注意力机制E C A以及采用M i s h激活函数,提升了缺陷区域的权重,并提升算法网络的非线性特性,但仍未解决F a s t e r-R C NN算法检测速度慢、不能满足工业实时检测场景要求的问题,同时F a s t e r-R C NN算法本身也存在没有充分利用图像浅层特征这一问题.本文从船舶焊缝缺陷特征出发,提出使用“你只需看一眼(y o uo n l y l o o ko n c e,YO L O)”系列中的YO L O v 5模型对船舶焊缝缺陷进行检测.首先建立船舶焊缝射线图像数据集,在YO L O v 5原模型基础上加入卷积注意力数据模块,增大感兴趣区域的权重,增加检测尺度,提高对微小目标的检测能力,减少人工操作的工作量,在保证精确度的同时提高检测速度.1 Y O L O v 5模型YO L O v 5模型是一种一阶段目标检测模型,该模型在保持较高检测精度的同时,克服了两阶段目标检测算法速度慢的缺点.YO L O v 5模型主要由输入(i n p u t)、主干(b a c k b o n e)、颈部(n e c k)和输出(o u t p u t)4部分组成,其模型结构如图1所示.图1 YO L O v 5模型结构F i g.1 Y O L O v 5m o d e l s t r u c t u r e输入部分首先采用马赛克(m o s a i c)进行数据增强,将随机缩放、随机裁剪和随机排布后的4张图像进行拼接,不但增加了样本数量,还使拼接后的图片在计算时减小C P U显存消耗.然后采用自适应锚框,为图像设置不同尺寸的初始锚框,在初始锚框基础上生成预测框,与真实框做对比,从而使模型进行反向传播.最后采用自适应缩放的方法,将图片统一处理成标准尺寸输入模型.主干部分主要由切片(f o c u s)结构、带有3个卷积层的瓶颈 层(C 3)结构 和空间金字 塔池化(s p a t i a l p y r a m i dp o o l i n g,S P P)结构组成.切片结构对从输入部分输入的图片进行切片操作.而C 3结构主要是将输入的特征映射分成两部分,如图2所示,一部分经过C o n v层和B o t t l e n e c k层,另一部分则只通过C o n v层,其中C o n v层等主要 图2 C 3模块结构F i g.2 C 3m o d u l es t r u c t u r e683大连理工大学学报第6 3卷 包括卷积层(C o n v 2 d)、B N层以及S i L U激活函数,最后将两部分进行拼接既减少了计算量,又增强了图像特征融合能力.S P P结构主要采用最大池化的方法对不同尺度的特征图进行特征融合,使网络能够获取焊缝缺陷在不同尺度下的特征信息8.颈部 部 分 主 要 包 括F P N(f e a t u r ep y r a m i dn e t w o r k s)和P AN(p y r a m i da t t e n t i o nn e t w o r k)结构,F P N可以将上层丰富的语义特征传递下来,而P AN则可以将下层丰富的位置信息传递上去,进而实现对特征的多尺度融合.输出部分主要包括3种不同尺寸的特征图,并将预设锚框和真实边界框做对比,使用C I OU_L O S S函数作为 边界框预测 的损失函 数,采 用D I OU_NM S函数对预测框进行筛选,最终得到模型计算的预测框.2 改进的Y O L O v 5模型YO L O v 5模型在一些公开的数据集目标检测任务中表现为速度快、精度高的优点,在各个领域都有广泛应用.船舶焊缝缺陷存在数据集数量少、质量差、缺陷几何尺寸小、特征不明显以及缺陷特征变化大的特点,直接应用原始YO L O v 5模型进行检测的结果并不理想,因此本文提出一种改进的YO L O v 5模型,并通过实验证明该改进模型在船舶焊缝缺陷检测方面的有效性和可行性.2.1 正弦灰度变换数据集的质量与数量直接影响目标检测模型的效果.本文共搜集带气泡、未焊透、未熔合、夹渣和裂纹5种缺陷图片1 2 8张,经过旋转、镜像、亮度和对比度变换等操作,使数据集图片中扩充至11 5 2张,图3为经扩充后数据集的部分图像.图3 数据集部分图像F i g.3 P a r t i a l i m a g e so f t h ed a t a s e t在图像质量方面,由于船舶焊缝缺陷存在几何尺寸小及特征不明显的特点,进行图像处理时,如果经历过多的处理流程,可能会使图像的缺陷特征信息在图像处理过程中丢失.因此在图像处理时,网络过深或卷积操作太多都不适合9.本文使用灰度变化的方法对图像进行处理,不但提高了缺陷特征的对比度,还避免了多次图像处理导致特征消失这一问题.灰度变换主要包括线性变换、分段线性变换和非线性变换3种方式.线性变换是指使用线性函数将原图像的灰度值映射到期望区间.分段线性变换是指将图像灰度值分为几个部分,每个部分使用不同的线性函数将灰度值映射到期望区间,对明亮部分分别进行拉伸和压缩,以调节图像对比度1 0.非线性变换则是使用非线性函数对图像灰度进行处理,以此来抑制不感兴趣区域,突出783 第4期 高翔等:基于改进YO L O v 5模型的船舶焊缝缺陷检测方法感兴趣区域的对比度.常用的非线性变换方式主要包括对数灰度变换和伽马灰度变换等方式.本文采用正弦灰度变换,并将正弦灰度变换结果与对数变换和伽马变换后的结果进行对比,图像正弦灰度变换计算公式6如下:g(x,y)=s i n(r)r=f(x,y)-m i n(f)m a x(f)-m i n(f)(1)式中:r为输入的相对强度;(x,y)为像素点的坐标;g(x,y)为输出像素的灰度值;f(x,y)为输入像素的灰度值.通过对比灰度非线性变化中的几种常见变化方式,发现使用正弦灰度变换不但可明显提高焊缝缺陷处的对比度,还能有效保存缺陷,从而避免发生缺陷特征消失的情况.图4为各种灰度变换的结果,其中图4(a)为原焊缝图像(标注处为缺陷区域),图4(b)为经过伽马变换后的灰度图,图4(c)为经对数变换后的灰度图,图4(d)为经过正弦灰度变换后的灰度图.可见,经伽马变换后的图像不但出现了噪声,还使原有的缺陷特征消失了.对数正弦灰度变换虽凸显了部分特征,但也使部分微小特征消失,而正弦灰度变换则能很好地保留特征,并使特征对比度较原图有所增强.2.2 卷积注意力模块注意力机制是机器学习领域中近年来广泛应用的一种数据处理方法.在图像识别问题中,通过改变权重使学习过程聚焦于输入对象需要注意的地方,而不是把注意力平均分配给所有区域1 1.卷积注意力模块(c o n v o l u t i o n a lb l o c ka t t e n t i o nm o d u l e,C B AM)同时利用特征图的通道信息及空间信 息,能 够 减 少 图 像 识 别 中 背 景 导 致 的 影响1 2.焊缝缺陷的尺寸通常都很小,例如图5(a)中的裂纹和图5(b)中的气泡,图像中大部分区域与焊缝缺陷无关,引入C B AM可使目标检测模型在提取特征时增大感兴趣区域的权重,更加关注焊缝缺陷特征附近的区域.特征图在被送入C B AM后,会依次通过通道注意力模块(c h a n n e la t t e n t i o nm o d u l e,C AM)和空 间 注 意 力 模 块(s p a t i a la t t e n t i o n m o d u l e,S AM),并得到相应的注意力图,然后将注意力图与输入特征图相乘进行自适应特征优化.其架构图如图6所示.如图7所示,将原YO L O v 5模型中主干部分 (a)原焊缝图像 (b)伽马灰度变换(c)对数灰度变换 (d)正弦灰度变换图4 灰度变换F i g.4 G r a y s c a l e t r a n s f o r m a t i o n(a)裂纹(b)气泡图5 裂纹和气泡缺陷F i g.5 C r a c ka n db u b b l ed e f e c t图6 卷积注意力模块结构F i g.6 C o n v o l u t i o n a lb l o c ka t t e n t i o nm o d u l es t r u c t u r e中的C 3模块结尾的卷积层替换成C B AM(红色虚线框部分),图像在经过拼接后,直接进入通道注意力模块.883大连理工大学学报第6 3卷 图7 加入注意力机制的C 3模块F i g.7 C 3m o d u l ew i t ha d d e da t t e n t i o nm e c h a n i s m如图8所示,在通道注意力模块中,输入特征F先经过平均池化和最大池化进行压缩,得到两个11C的特征图,平均池化和最大池化可用来聚合特征映射焊缝图像的空间信息,平均池化可以读取并体现出特征图上的各个像素点特征.在网络进行反向传播时,最大池化则可以保证网络仅在最大响应处有反应1 3.将两个特征图分别传入共享的全连接层,并生成两个维数为C11的注意力向量,将得到的两个向量对应位置相加,通过S i g m o i d函数生成一个维数为C11的通道注意力向量Mc,将Mc和输入特征F做乘法运算,生成空间注意力模块需要的输入特征,通道注意力模块计算公式如下:Mc(F)=(ML P(A v g P o o l(F)+ML P(M a x P o o l(F)=(W1(W0(Fca v g)+W1(W0(Fcm a x)(2)图8 通道注意力模块F i g.8 C h a n n e l a t t e n t i o nm o d u l e式中:为S i g m o i d非线性激活函数,ML P表示C B AM中的共享网络,W1表示ML P中的隐藏层权重,W0表示ML P中的输出层权重,Fca v g表示平均池化函数,Fcm a x表示最大池化函数.在特征图经过通道注意力加权后,如图9所示,将特征图模块输出的特征F输入空间注意力模块.输入后,特征图仍先经过平均池化和最大池化,从而得到两个HW1的特征图,将两个池化后得到的特征图进行拼接,经过卷积层将拼接后的特征图变为单通道特征图(维数为HW1),将得到的单通道特征图输入S i g m o i d函数即得到空间注意力向量Ms,将所得到的空间注意力向量Ms与输入特征F做乘法运算,就生成了经C B AM处理后的特征图,空间注意力模块计算公式如下:图9 空间注意力模块F i g.9 S p a t i a l a t t e n t i o nm o d u l eMs(F)=(f77(A v g P o o l(F);M a x P o o l(F)=(f77(Fsa v g;Fsm a x)(3)式中:f77代表的是77的卷积运算,Fsa v g和Fsm a x表示通道上的全局平均池化函数和最大池化函数.2.3 增加检测尺度在YO L O v 5的原模型中有3种不同尺寸的检测层来匹配不同尺寸的目标,即图像大小(单位为像素)2 02 0、4 04 0、8 08 0这3种尺寸.在焊缝缺陷图像中通常存在部分缺陷几何形状小且缺陷模糊的情况,针对这一特点,本文使用四尺度特征图来进行检测,如图1 0所示(红色虚线框部分),在YO L O v 5的第1 7层之后,再继续进行上采样,以获得更大的特征图来检测微小的目标.在第2 0层,将输入的特征图与模型第2层的特征图进行拼接操作,在检测层对第2 1、2 4、2 7、3 0层进行检测.同时,为了使模型对小目标的检测更精准,本文还将初始锚框的数量增加到1 2个,即增加图像大小56、81 4、1 51 1这3种尺寸的锚框,用来匹配图像大小1 6 01 6 0特征图中的小目标.983 第4期 高翔等:基于改进YO L O v 5模型的船舶焊缝缺陷检测方法图1 0 增加检测层后的YO L O v 5模型F i g.1 0 Y O L O v 5m o d e l a f t e ra d d i n gd e t e c t i o n l a y e r3 实验及结果分析为了测试以上提出的各种改进手段的有效性,本文将单独使用这3种改进手段和综合使用种改进手段后的实验结果与原模型识别结果进行对比.3.1 评价指标本文主要使用精确度(p r e c i s i o n,P)、召回率(r e c a l l,R)和交并比为0.5时的平均精确度(P)3个指标作为模型评价标准,3个指标值越大,则说明模型的检测效果越好,式(4)(6)分别为精确度P、召回率R和全类平均正确率P的计算公式1 4.P=TpTp+Fp1 0 0%(4)R=TpTp+Fn1 0 0%(5)P=ki=1Sik1 0 0%(6)式中:Tp为输入正样本且输出正样本的样本数量,Fp为输入负样本且输出正样本的样本数量,Fn为输入正样本且输出负样本的样本数量,k为样本类别数,S是精确度-召回率曲线下方的面积.3.2 模型实验本文将含有各类缺陷的数据集使用L a b e l I m g软件进行标注,并按82的比例将数据集随机划分为训练集和测试集,在YO L O v 5 s模型基础上测试本文提出的改进方法.经训练测试后结果见表1.其中YO L O v 5-s i n表示对图像进行正弦灰度变换后的改进方法.YO L O v 5-1 6 0表示增加检测尺 度 为1 6 01 6 0后 的 改 进 方 法.YO L O v 5-C B AM表示在模型中引入了C B AM.YO L O v 5-a l l表示将图像进行正弦灰度变换后,将C B AM引入YO L O v 5模型,并将模型增加检测尺度.表1 实验结果T a b.1 E x p e r i m e n t a l r e s u l t s模型P/%R/%P/%Y O L O v 59 5.37 7.58 1.5Y O L O v 5-s i n9 8.67 6.28 2.8Y O L O v 5-1 6 09 7.97 7.28 4.7Y O L O v 5-C B AM9 7.27 7.98 1.5Y O L O v 5-a l l9 8.47 7.98 4.2图1 1(a)为YO L O v 5模型对焊缝缺陷检测后得到的结果,图1 1(b)为YO L O v 5-a l l模型对焊缝缺陷检测后得到的结果.3.3 实验结果分析从表1可看出,相比较于YO L O v 5模型,将图像进行正弦灰度变换、加入C B AM和增加检测尺度后,模型的精确度都会有所改善.与未经图像处理的YO L O v 5模型对比,图像在进行正弦灰度变换后虽然召回率降低了1.3%,但精确度和全类平均正确率各提高了3.3%和1.3%,精确 度 达 到 了 各 改 进 方 法 中 的 最 高 值9 8.6%.模型在增加检测尺度后,召回率比原模型减小0.3%,但精确度和全类平均正确率各提高了2.6%和3.2%,全类平均正确率达到了各改进093大连理工大学学报第6 3卷 (a)Y O L O v 5模型检测结果(b)Y O L O v 5-a l l模型检测结果图1 1 缺陷检测结果图F i g.1 1 D e f e c td e t e c t i o nr e s u l tg r a p h s方法中的最高值8 4.7%.模型在加入C B AM后,在全类平均正确率保持不变的情况下,精确度和召回率都有所提高,召回率更是达到了各改进方法中的最高值7 7.9%.把3种方法综合使用后,模型的精确度、召回率和全类平均正确率都得到了相应的提高.与YO L O v 5-s i n模型相比,YO L O v 5-a l l模型虽然精确度降低了0.2%,但是召回率和全类平均正确率分别提高了1.7%和1.4%.与YO L O v 5-1 6 0模型相比,YO L O v 5-a l l模型虽然全类平均正确率降低了0.5%,但是精确度和召回率分别提高了0.5%和0.7%.与YO L O v 5-C B AM模型相比,YO L O v 5-a l l模型在召回率不变的情况下,精确度和全类平均正确率分别提高了1.2%和2.7%.从 图1 1可 看 出,对 比YO L O v 5模 型 和YO L O v 5-a l l模型对焊缝缺陷的检测结果,无论是焊缝缺陷检测的数量,还是检测的质量(即检测结果的准确率和置信度),YO L O v 5-a l l模型都明显优于YO L O v 5模型.4 结 语为解决现代造船工序中焊缝检测人工手段耗时、耗力及效率低这一问题,实现基于机器视觉的船舶焊缝缺陷检测,本文对11 5 2张船舶焊缝射线图像进行标注,建立船舶焊缝射线图像数据集,基于此数据集进行训练和实验,并对YO L O v 5模型进行改进.通过对图像灰度值进行正弦灰度变换,提高焊缝缺陷处的对比度.加入卷积注意力模块(C B AM),以增大对感兴趣区域的权重和增加检测尺度的方法来提高对微小目标的检测能力.通过计算对比检测结果,使用改进的YO L O v 5模型对船舶焊缝缺陷进行识别,精确度提高3.1%,召回率提高0.4%,平均精确度提高2.7%,证明该方法可以有效地改善船舶焊缝缺陷检测的效果.目前的研究受数据集的质量和数量的限制,仍有很大的提升空间,后期可以通过收集更多的数据集或者使用更加有效的数据增强方法来提高数据集的数量和质量,从而进一步提高焊缝缺陷检测的精确度,实现船舶焊缝缺陷的自动检测.参考文献:1 杨伟锋,金涛,吴玉辉,等.基于生产降本提效的船舶焊缝设计优化 J.造船技术,2 0 2 1,4 9(5):2 9-3 3.YAN G W e i f e n g,J I N T a o,WU Y u h u i,e ta l.D e s i g no p t i m i z a t i o no fs h i pw e l db a s e do np r o d u c t i o nc o s t r e d u c t i o na n de f f i c i e n c y i m p r o v e m e n tJ.M a r i n eT e c h n o l o g y,2 0 2 1,4 9(5):2 9-3 3.(i nC h i n e s e)2 王磊.计 算 机 视 觉 在 船 舶 焊 缝 缺 陷 识 别 的 应用 J.舰船科学技术,2 0 1 8,4 0(8):1 9 6-1 9 8.WAN G L e i.A p p l i c a t i o n o fc o m p u t e r v i s i o n i ni d e n t i f i c a t i o no fs h i pw e l dd e f e c t sJ.S h i pS c i e n c ea n dT e c h n o l o g y,2 0 1 8,4 0(8):1 9 6-1 9 8.(i nC h i n e s e)3 樊凌.基于图像处理和机器学习的船舶焊接缺陷识别技术 J.舰船科学技术,2 0 1 4,3 6(1 2):9 9-1 0 2.F AN L i n g.W e l d i n gd e f e c tr e c o g n i t i o nt e c h n o l o g yb a s e do ni m a g ep r o c e s s i n ga n dm a c h i n el e a r n i n gJ.S h i pS c i e n c ea n dT e c h n o l o g y,2 0 1 4,3 6(1 2):9 9-1 0 2.(i nC h i n e s e)4Z HANGL,G A O W,WAN GZ,e t a l.R e s e a r c ho nw e l d d e f e c ti d e n t i f i c a t i o n w i t h X-r a y b a s e d o nc o n v o l u t i o n a l n e u r a l n e t w o r kJ.J o u r n a l o fP h y s i c s:C o n f e r e n c eS e r i e s,2 0 2 1,1 8 9 4(1):1 2 0 7 1.5X U H,YANZH,J IB W,e t a l.D e f e c td e t e c t i o ni nw e l d i n gr a d i o g r a p h i ci m a g e sb a s e do ns e m a n t i cs e g m e n t a t i o n m e t h o d sJ.M e a s u r e m e n t,2 0 2 2,1 8 8:1 1 0 5 6 9.6 渠慧帆.基于深度学习的焊缝缺陷自动检测研究与实现 D.北京:北京邮电大学,2 0 1 9.QUH u i f a n.R e s e a r c h a n d i m p l e m e n t a t i o n o fa u t o m a t i c w e l d d e f e c t s d e t e c t i o n b a s e d o n d e e pl e a r n i n gD.B e i j i n g:B e i j i n g U n i v e r s i t yo fP o s t sa n dT e l e c o mm u n i c a t i o n s,2 0 1 9.(i nC h i n e s e)7 常晓莹.基于F a s t e r-R C NN的焊缝缺陷检测研究与实现 D.上海:上海第二工业大学,2 0 2 1.193 第4期 高翔等:基于改进YO L O v 5模型的船舶焊缝缺陷检测方法CHANGX i a o y i n g.R e s e a r c ha n d i m p l e m e n t a t i o no fw e l dd e f e c t sd e t e c t i o nb a s e do nF a s t e r-R C NND.S h a n g h a i:S h a n g h a iP o l y t e c h n i cU n i v e r s i t y,2 0 2 1.(i nC h i n e s e)8HEK,Z HAN GX,R E NS,e t a l.S p a t i a lp y r a m i dp o o l i n gi nd e e pc o n v o l u t i o n a ln e t w o r k sf o rv i s u a lr e c o g n i t i o nJ.I E E E T r a n s a c t i o n s o n P a t t e r nA n a l y s i sa n d M a c h i n eI n t e l l i g e n c e,2 0 1 5,3 7(9):1 9 0 4-1 9 1 6.9 高梦婷,孙晗,唐云祁,等.基于改进Y O L O v 5的指纹二级特征检测方法 J/O L.激光与光电子学 进 展,2 0 2 2:1-1 9.2 0 2 3-3-2 1(2 0 2 2-4-1)h t t p:/k n s.c n k i.n e t/k c m s/d e t a i l/3 1.1 6 9 0.t n.2 0 2 2 0 3 1 7.1 0 1 1.0 0 2.h t m l.G AO M e n g t i n g,S UN H a n,TANG Y u n q i,e ta l.F i n g e r p r i n t s e c o n d-o r d e rm i n u t i a t ed e t e c t i o nm e t h o db a s e do ni m p r o v e dY O L O v 5J/O L.A d v a n c e si nL a s e ra n dO p t o e l e c t r o n i c s,2 0 2 2:1-1 9.2 0 2 3-3-2 1(2 0 2 2-4-1)h t t p:/k n s.c n k i.n e t/k c m s/d e t a i l/3 1.1 6 9 0.t n.2 0 2 2 0 3 1 7.1 0 1 1.0 0 2.h t m l.(i nC h i n e s e)1 0郭永坤,朱彦陈,刘莉萍,等.空频域图像增强方法研 究 综 述 J.计 算 机 工 程 与 应 用,2 0 2 2,5 8(1 1):2 3-3 2.GUOY o n g k u n,Z HUY a n c h e n,L I UL i p i n g,e t a l.R e s e a r c hr e v i e w o fs p a c e-f r e q u e n c yd o m a i ni m a g ee n h a n c e m e n tm e t h o d sJ.C o m p u t e rE n g i n e e r i n ga n dA p p l i c a t i o n s,2 0 2 2,5 8(1 1):2 3-3 2.(i nC h i n e s e)1 1T R AN T D,V O X T,NGUY E N D L,e ta l.E f f i c i e n ts p a t i a l-a t t e n t i o n m o d u l ef o rh u m a n p o s ee s t i m a t i o nJ.C o mm u n i c a t i o n si n C o m p u t e ra n dI n f o r m a t i o nS c i e n c e,2 0 2 1,1 4 0 5:2 4 2-2 5 0.1 2WO O S,P A R K J,L E E J Y,e ta l.C B AM:C o n v o l u t i o n a lb l o c ka t t e n t i o n m o d u l eJ.L e c t u r eN o t e s i nC o m p u t e rS c i e n c e,2 0 1 8,1 1 2 1 1:3-1 9.1 3马凤娟.基于深度学习的心血管C T A图像钙化斑块检测技术 D.杭州:杭州电子科技大学,2 0 2 1.MA F e n g j u a n.D e t e c t i o no fc a l c i f i c a t i o np l a q u ei nc a r d i o v a s c u l a rC T Ai m a g e sb a s e do nd e e pl e a r n i n gD.H a n g z h o u:H a n g z h o uD i a n z iU n i v e r s i t y,2 0 2 1.(i nC h i n e s e)1 4方洪波,万广,陈忠辉,等.基于改进Y O L O v 5 s的离线手写数学符号识别 J.图学学报,2 0 2 2,4 3(3):3 8 7-3 9 5.F AN G H o n g b o,WAN G u a n g,CHE N Z h o n g h u i,e ta l.O f f l i n e h a n d w r i t t e n m a t h e m a t i c a ls y m b o lr e c o g n i t i o n b a s e d o n i m p r o v e d Y O L O v 5 sJ.J o u r n a l o fG r a p h o l o g y,2 0 2 2,4 3(3):3 8 7-3 9 5.(i nC h i n e s e)S h i pw e l d i n gs e a md e f e c td e t e c t i o nm e t h o db a s e do ni m p r o v e dY O L O v 5m o d e lG A O X i a n g1,L I K a i*1,Y I Z h e n g y a o2,Z H O U Y u s o n g3,L U C o n g h o n g1(1.S c h o o l o fN a v a lA r c h i t e c t u r ea n dO c e a nE n g i n e e r i n g,D a l i a nU n i v e r s i t yo fT e c h n o l o g y,D a l i a n1 1 6 0 2 4,C h i n a;2.S c h o o l o fN a v i g a t i o na n dN a v a lA r c h i t e c t u r e,D a l i a nO c e a nU n i v e r s i t y,D a l i a n1 1 6 0 2 3,C h i n a;3.D a l i a nS h i p b u i l d i n g I n d u s t r yG r o u pD e s i g na n dR e s e a r c h I n s t i t u t eC o.,L T D,D a l i a n1 1 6 0 0 5,C h i n a)A b s t r a c t:A tp r e s e n t,s h i pw e l d i n gs e a md e f e c td e t e c t i o ns t i l lr e l i e so nm a n u a lv i s u a lc h e c k i n go fr a d i o g r a p h i c i m a g e,w h i c hc a u s e s l o n gt i m e-c o n s u m i n g,l a r g ew o r k l o a da n dl o we f f i c i e n c y.T os o l v et h i sp r o b l e m,as h i pw e l d i n gs e a md e f e c td e t e c t i o nm e t h o di sp r o p o s e db a s e do ni m p r o v e dYO L O v 5m o d e l.F i r s t l y,ar a d i o g r a p h i c i m a g ed a