Page 97 - 《应用声学》2025年第1期

第 44 卷 第 1 期 肖权旌等： 改进 YOLOv5 的高密度聚乙烯管热熔接头 3D 全聚焦成像缺陷识别分析 93

0.040 0.065
0.12 train/box_loss train/cls_loss train/obj_loss
0.035 0.060
0.10 0.030 0.055
0.025
૯ܿϙ 0.08 ૯ܿϙ 0.020 ૯ܿϙ 0.050
0.045
0.06 0.015 0.040
0.010
0.035
0.005
0.04 0.030
0.000
0.02 -0.005 0.025
0 50 100 150 200 250 300 0 50 100 150 200 250 300 0 50 100 150 200 250 300
Epoch/൓ Epoch/൓ Epoch/൓
(a) ࠀͯ૯ܿ (b) Ѭዝ૯ܿ (c) Ꮆηए૯ܿ
图 9 训练损失下降曲率
Fig. 9 Training loss descent curvature

Epoch 设置为 3；即模型将前 3 个 Epoch 设置为预 3.3 模型比对及分析
热学习次数，预热初始动量设为 0.8，在完成 3 个 为了更好地验证改进后 YOLOv5 算法的有效
Epoch后，使用预先设置的学习率0.01进行训练，当 性，本文在相同数据集上进行了消融实验，如表 1
Epoch不停迭代时，模型学习率也逐渐减少，使得模 所示。
型收敛速度更快，效果更佳，防止模型出现提前过拟
合现象的发生。 表 1 消融实验结果
Table 1 Results of ablation experiment
本文调整上述训练参数得到如图 9 所示的损失
下降曲线，图中横坐标为 Epoch 训练次数，纵坐标 Model
缺陷类型 组别 P/% R/% mAP/%
为损失值，且 YOLOv5s 损失函数中整体均趋于收 SE SIoU
敛，模型达到较为稳定的拟合效果，以保证后续的验 1 √ √ 96.4 93.3 97.6
证和测试。 整体缺陷 2 √ 94.5 90.8 96.2

3.2 模型评价 3 94 90.2 95.5
√ √
1 97.2 89 96.8
为了对整体模型检测效果进行评价，本文选择 √
ϕ1 mm 横通孔 2 92.3 85.7 93.4
使用准确率 (precision, P)、召回率 (recall, R)、平
3 91.5 83.3 92.1
均准确率(mean average precision, mAP)和检测效 √ √
1 94.8 92.6 96.9
率(Frame per second, F PS )四个指标对结果进行评 √
ϕ2 mm 横通孔 2 93.8 89.3 96
价。其中 P 用于评价整体模型中不同类别之间的分
3 93 88.7 95.6
类效果，R 用于评价整体模型中在不同类别之间的 √ √
1 97.2 98.4 99.1
整体效果，mAP 用于评价模型的整体精度，F PS 指 √
ϕ3 mm 横通孔 2 97.5 97.3 99
的是每秒识别的帧数。公式如(6)∼(9)所示：
3 97.4 98.5 98.7
T P
P = , (6)
由表 1 可知，改进后的 YOLOv5 算法 (序号 1)
T P + F P
T P 相比于传统 YOLOv5 算法 (序号 3)，其准确率 P 提
R = , (7)
T P + F N
升了2.4%，召回率R 提升了3.1%，平均准确率mAP
∫ 1
1
mAP = P (R) dR, (8) 提升了2.1%；改进后的YOLOv5算法加强缺陷信息
M 0
N 特征提取，抑制提取无用图像特征，同时提高模型回
F PS = , (9) 归效率和收敛速度，其效果明显优于原始和其他模
t
其中：T P 为整体样本中正确识别含缺陷样本数量； 型。对比三个类别典型缺陷，由于 ϕ3 mm 横通孔缺
F P 为整体样本中错误识别不含缺陷的样本数量； 陷体积大，3D-TFM检测成像效果较好，能很好表达
F N 为未检测出缺陷的样本数量；M 为目标类别数 其特征，有利于模型的学习，因此 ϕ3 mm 横通孔整
量；N 为检测样本个数；t为检测总时间。 体数据都要优于ϕ2 mm横通孔和ϕ1 mm横通孔。