《Applied Sciences》:An Improved YOLOv8n-Based Algorithm for Body-in-White Spot-Weld Defect Detection
编辑推荐:
在汽车白车身(Body-in-White,BIW)检测中,微小点焊缺陷易被金属表面反射及正常焊与缺陷焊的相似形貌所掩盖。研究人员提出FasterNet-上下文引导块-C2f-CNCM YOLO(FasterNet-Context-Guided Block-C2
在汽车白车身(Body-in-White,BIW)检测中,微小点焊缺陷易被金属表面反射及正常焊与缺陷焊的相似形貌所掩盖。研究人员提出FasterNet-上下文引导块-C2f-CNCM YOLO(FasterNet-Context-Guided Block-C2f-CNCM YOLO,FCC-YOLO),一种应用分阶段特征补偿的改进YOLOv8n检测器。主干网引入FasterNet块增强局部缺陷细节,颈部下采样与融合阶段引入上下文引导块(Context-Guided Block)提升缺陷-背景判别力,多尺度融合阶段以C2f-CNCM结合空间、列向与自校准分支。在820张图像数据集(656训练、82验证、82测试)上,FCC-YOLO取得mAP50为96.0%、mAP50-95为74.7%,较YOLOv8n分别提升3.0与3.2个百分点;在NVIDIA Jetson AGX Orin配TensorRT FP16下以56.26 FPS处理,平均端到端时延17.77 ms。结果表明在所评估数据集与部署环境下具备良好精度-效率权衡,跨产线、材料与光照的泛化性待验证。
研究背景方面,电阻点焊约占白车身(Body-in-White,BIW)连接操作95%,缺陷如飞溅(spatter)、烧穿(burn-through)、虚焊(incomplete weld)、深压痕(deep indentation)、畸变焊(distorted weld)、搭叠焊(overlapping weld)及边焊(edge weld)会削弱车身强度。传统人工检视效率低、主观强、漏检误检多;基于深度学习的目标检测(one-stage如YOLO系列、two-stage如Faster R-CNN)虽在精度与稳定性上占优,但真实车间存在金属反射、压痕、折皱、重叠焊及光照变化等干扰,且缺陷多为局部颗粒、孔边或弱纹理变异,正常焊与缺陷焊形态近似,现有YOLOv8n在特征逐层传播中会出现局部细节衰减、背景混淆与方向性长程关系建模不足。该研究由研究人员发表于《Applied Sciences》,旨在以改进YOLOv8n在保持边缘实时性的同时联合补强局部细节、上下文判别与空间非均匀校正。
关键技术方法上,研究人员构建820张BIW点焊图像数据集(现场Redmi Note 14 Pro采564张、公开FIRC数据集256张),经去重筛选后标8类(含normal weld),按同焊组分配防泄露,8:1:1划分得656/82/82,训练集增广至2624张。基线选YOLOv8n,分阶段嵌入三模块:主干以FasterNet块(核心Partial Convolution,PConv)仅对部分通道做空间卷积以保小缺陷高频纹理;颈部下采样与融合嵌Context-Guided Block(CG Block,含f_loc/f_sur/f_joi/f_glo分支)联合局部、周围膨胀卷积上下文与全局平均池化重加权;C2f内部以Column Nonuniformity Correction Module(CNCM)替入,其Residual Column Spatial Self-Correction(RCSSC)含空间注意力分支(Spatial-Attention Branch,SAB)、列注意力分支(Column-Attention Branch,CAB)、自校准分支(Self-Calibrated Branch,SCB)补强显著区、列向结构与长程形态依赖。训练用SGD、初始学习率0.01、batch 16、300 epoch,RTX A6000;部署测Jetson AGX Orin加TensorRT FP16。
研究结果部分,3.1消融实验以YOLOv8n为基,单加FasterNet使Recall 86.4%→91.3%、mAP50 93.0%→95.5%;单加C2f-CNCM使Precision 91.8%→93.5%、mAP50-95 71.5%→72.3%;单加CGBD(Context-Guided Block for Downsampling)Recall→87.2%、mAP50→93.8%;三者全加FCC-YOLO得Precision 96.0%、Recall 91.6%、mAP50 96.0%、mAP50-95 74.7%、F1 93.66%,较基线上mAP50与mAP50-95各+3.0与+3.2 pt,证三模块在提取、传播、融合段互补。3.2类级性能上,各类mAP50均升,畸变焊+6.5 pt、深压痕+3.8 pt、边焊+3.6 pt、飞溅+3.2 pt最显;mAP50-95六类升(畸变焊+7.7、正常焊+6.1、边焊+5.0、深压痕+4.8),但虚焊-0.9、搭叠焊-0.6 pt,归因为样本少且形态近正常/深压痕致高IoU框位不稳。3.3主流对比中,FCC-YOLO对YOLOv3n/YOLOv5n/YOLOv6n/YOLOv8n/YOLOv9t/YOLOv10n/YOLOv11n/YOLOv12n及RT-DETR在mAP50、mAP50-95、F1上占优,参量与GFLOPs未破轻量界;Jetson端表7示其端到端17.77 ms(预处理2.89+推理11.60+后处理2.63)、56.26 FPS,快于RT-DETR的30.71 ms/32.57 FPS,慢于YOLOv11n/YOLOv6n但精度显著高。3.4可视化中,Grad-CAM在P3/8、P4/16、P5/32三层显示YOLOv8n高热区散于反射背景,FCC-YOLO热区聚于焊体及缺陷边;图9实测图示基模型漏检/误检/重检黄框处,FCC-YOLO定位更准、虚焊飞溅召回更好、深压痕与搭叠焊类混淆降低。3.5部署实验确认TensorRT FP16下引入三模块使GPU推理自6.99 ms升至11.60 ms、端到端自13.77 ms升至17.77 ms,仍保56.26 FPS实时。
讨论与结论部分,研究人员指出FCC-YOLO以主干局部细节补偿、颈部上下文判别补偿、C2f多尺度空间校正构成分阶段特征补偿链,在820图测试集获mAP50 96.0%、mAP50-95 74.7%(各+3.0、+3.2 pt),消融证互补,类分析示增益不均,Grad-CAM聚焦焊体缺陷边,Jetson AGX Orin加TensorRT FP16达56.26 FPS与17.77 ms时延,仅在所评估数据与环境证实时BIW点焊检视潜力,未自证跨产线泛化。局限为数据偏特定采集与公开源,跨产线/材料/光照及极低样本类待验;后续可扩多场景数据、引域适应或半监督、报多种子不确定性与朝向分层性能,并以剪枝、蒸馏、轻量注意力压复杂度,或融多源传感与焊接过程参数建视觉-工艺联合质检。结论译文:为应对汽车BIW点焊缺陷检测中小目标特征弱、缺陷类形态近、金属背景反射强与实时性严求,本研究提出基于改进YOLOv8n的FCC-YOLO,以主干局部细节补偿、颈部上下文判别补偿、C2f多尺度空间校正的分阶段特征补偿缓解网络传播中缺陷特征退化;FasterNet块增强飞溅/烧穿/虚焊等小缺陷局部纹理,Context-Guided Block提升复杂金属背景上下文判别,C2f-CNCM经空间注意力、列注意力与自校准分支补强缺陷区显著性与方向结构及全局形态依赖。FCC-YOLO在本测试集获mAP50 96.0%、mAP50-95 74.7%,较YOLOv8n各升3.0与3.2个百分点;消融示三模块互补,类级分析有增益亦有两类别mAP50-95微降;Grad-CAM响聚焦焊体与缺陷边,TensorRT FP16部署于Jetson AGX Orin达56.26 FPS与17.77 ms端到端时延。结果示该方法在所评估数据集与部署环境具实时BIW点焊检视潜力,不自证跨产线泛化。