文件大小：2.11M
焊缝缺陷检测是材料加工和成型过程中的关键环节，表面缺陷直接影响焊接质量的评估。为提高小目标铝合金焊缝表面缺陷检测的精准度,以深度学习算法YOLOv11n为基础提出ATI-YOLO模型。首先,使用ADown-Conv结构代替原模型中下采样方式,通过引入自适应策略改善下采样过程中信息丢失和关键特征忽略的问题，同时增强模型灵活性。其次,设计C2PSA-TA模块,帮助模型从三种维度理解图像的缺陷信息,提高焊缝缺陷检测效率。最后,将LMPDIoU损失函数与Inner思想结合,设计出InnerLMPDIoU损失函数,优化目标检测中边界框回归问题,提高模型准确性。多组实验结果表明,ATI-YOLO模型相比于原YOLOv11n模型在Precision、Recall、m AP50指标上分别上涨了3.6、2、2.5个百分点。此外,在NEU-DET和GC10-DET数据集上的泛化实验也显示, ATI-YOLO模型在mAP50指标上分别上涨了2.3、2.8个百分点,充分证明了该改进模型的泛用性和有效性。
