基于改进YOLOv4的电机端盖缺陷检测

在基于机器视觉实现电机端盖裂纹缺陷检测过程中, 针对复杂背景下目标特征不明显的问题, 使用限制对比度的自适应直方图均衡化的方法加强目标特征. 针对机器视觉系统中训练数据量少且训练图片背景单一导致模型泛化性低的问题, 对比了Mosaic和CutMix数据增强方法, 并结合多种数据增强策略, 提出了系统的数据集构建方案. 针对使用YOLOv4进行单类检测和小目标检测时正负样本不平衡导致检测率低的问题, 提出了自适应多尺度焦点损失+CIoU损失的加权融合损失函数, 并通过实验得到最优超参数. 最后使用K-means算法初始化锚点框, 使模型更适应线状目标的预测. 结果表明, 该方法对于裂纹类别的检测达到了95.8%的平均精度(Average Precision, AP), 相较于改进前提升9.7%, 单张检测时间48 ms, 具有一定的工程应用价值.