YOLOv4优化版：提升铝合金焊缝缺陷检测效率

"这篇论文是关于基于改进的YOLOv4模型在铝合金焊缝缺陷检测中的应用，通过优化YOLOv4-cs1和YOLOv4-cs2模型，提升了小目标检测的召回率，特别是在气孔和夹渣缺陷检测上取得了显著提升。" 在铝合金焊缝的检测中，由于缺陷往往属于小目标，传统的YOLOv4模型在检测这些微小缺陷时表现出召回率较低的问题。为解决这一挑战，研究者提出了两个改进模型：YOLOv4-cs1和YOLOv4-cs2。首先，YOLOv4-cs1模型通过调整残差块的堆叠方式和改变不同卷积层的激活函数来优化模型，同时去除了PANet网络中的下采样层，目的是保留图像的边缘信息，以提高对细小特征的检测能力。 在此基础上，进一步改进形成了YOLOv4-cs2模型。该模型在第3个和第4个残差块之后加入了经过改进的SPP（Spatial Pyramid Pooling）模块。SPP模块有助于捕捉多尺度信息，这对于检测不同大小的目标非常关键。实验结果表明，YOLOv4-cs1和YOLOv4-cs2模型在检测气孔和夹渣缺陷时的召回率分别比YOLOv4提高了28.9%和16.6%，以及45%和25.2%。此外，两种改进模型的平均精度（mAP）也有所提升，YOLOv4-cs1和YOLOv4-cs2的mAP分别为85.79%和87.5%，相对于YOLOv4的改进分别达到0.98%和2.69%。 论文的关键词包括焊缝内部缺陷、深度学习、目标检测和YOLOv4，表明了研究的核心领域。这篇工作是在国家自然科学基金和上海市自然科学基金的支持下完成的，反映了深度学习在无损探伤领域的应用，特别是对于提高铝合金焊接件检测精度的重要贡献。深度学习模型，尤其是目标检测模型，对于减少人工检测的错误和漏检，提升生产线效率具有重要意义。当前，深度学习在诸如语音识别和自动驾驶等多个领域都发挥着关键作用。在本文提出的检测系统中，深度学习模型能够实现自动化和智能化，对铝合金焊缝的内部缺陷进行高精度检测，降低了人为因素对检测结果的影响。