基于改进YOLOv11n的钢管焊缝缺陷检测小车及检测方法

本发明涉及特种设备无损检测，特别是基于改进yolov11n的钢管焊缝缺陷检测小车及检测方法。

背景技术：

1、钢管结构凭借卓越的结构性能，在石油化工、天然气输送、建筑桥梁等领域得到广泛应用，而焊接是解决钢管长距离施工、复杂工况适配的核心工艺，焊缝的质量直接决定钢管结构的强度、密封性与使用寿命。钢管焊缝在焊接过程中易产生裂缝、气孔、飞溅、未焊透等缺陷，这些缺陷会严重影响钢管结构的安全性与可靠性，甚至引发管道泄漏、结构断裂等重大安全事故，因此，钢管焊缝质量的高效、精准检测是工业生产与运维环节的核心需求。

2、目前钢管焊缝检测的主流方法包括超声波检测、磁粉检测、射线照相检测、渗透检测等传统无损检测方式，此类方法虽能实现缺陷检测，但存在检测效率低、依赖检测人员专业经验、无法实现实时在线检测、对细微缺陷识别能力不足等问题。近年来，随着深度学习与计算机视觉技术的发展，基于yolo系列的目标检测算法因兼顾检测速度与精度，成为焊缝缺陷检测的主流技术方向。现有基于yolo算法的焊缝缺陷检测技术仍存在诸多不足：其一，对焊缝微小缺陷如细微裂缝、小型气孔、飞溅点等小目标信息的检测召回率与精准率不佳，小目标缺陷特征易被背景噪声淹没，特征提取能力不足；其二，多尺度特征融合效果较差，焊缝缺陷存在尺寸、形态差异大的特点，现有算法难以兼顾不同尺度缺陷的检测性能，易出现大目标漏检、小目标误检的问题；其三，对边界模糊图像的信息处理能力弱，传统上采样技术易导致边界区域高频细节信息丢失，缺陷边缘识别精度低；其四，缺陷类内一致性识别不足，焊缝缺陷内部特征值变化较大，易出现同一缺陷的不同部分被错误分类的问题。因此，亟需一种针对钢管焊缝缺陷特性优化的yolo检测算法，在保持模型轻量化与实时性的同时，显著提升焊缝缺陷尤其是小目标缺陷的检测精度与鲁棒性。

技术实现思路

1、鉴于上述现有存在的问题，提出了本发明。

2、因此，本发明提供了基于改进yolov11n的钢管焊缝缺陷检测小车及检测方法，解决现有技术钢管焊缝缺陷检测存在的小目标缺陷检测精度低、多尺度特征融合效果差、边界模糊图像细节保留能力弱、类内一致性识别不足的问题。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明提供了基于改进yolov11n的钢管焊缝缺陷检测方法，其包括，

5、采集钢管焊缝图像数据，构建钢管焊缝缺陷数据集，对数据集进行预处理与数据增强并划分为训练集、验证集与测试集；

6、构建yolov11n-cfa焊缝缺陷检测模型，包括将骨干网络中的c3k2模块改进为c3k2-coor模块、将空间金字塔池化模块sppf改进为sppf-freq模块、将原特征金字塔网络替换为渐进特征金字塔网络afpn；

7、将训练集输入至yolov11n-cfa模型中进行迭代训练，通过验证集实时验证模型性能，基于预设评价指标筛选最优权重，得到训练完成的钢管焊缝缺陷检测模型；

8、将待检测钢管焊缝图像输入至训练完成的焊缝检测模型中，模型输出焊缝缺陷的类别、边界框坐标、置信度及缺陷位置信息。

9、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述采集钢管焊缝图像数据，构建钢管焊缝缺陷数据集，对数据集进行预处理与数据增强并划分为训练集、验证集与测试集指采用固定式工业面阵相机采集钢管焊缝表面图像，配合低角度环形光源照射焊缝区域，获得原始钢管焊缝灰度图像；

10、根据原始钢管焊缝灰度图像形成集合，定义焊缝缺陷类别包括裂缝、飞溅点、气孔以及未焊透，对每张图像中的焊缝进行矩形框标注并调整为统一像素后归一化，将归一化后的钢管焊缝灰度图像输入yolov11n主干网络输出四个尺度特征、、以及；

11、矩形框标注包括对焊缝基准区域和焊缝缺陷区域的矩形框标注；

12、基于焊缝基准区域生成焊缝空间可靠性图；

13、根据归一化后的钢管焊缝灰度图像进行数据增强并划分为训练集、验证集以及测试集。

14、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述将骨干网络中的c3k2模块改进为c3k2-coor模块包括将主干网络输出的尺度特征作为输入特征图分别输入四个卷积分支，将四个卷积分支输出进行拼接和通道压缩；

15、采用坐标注意力机制使用尺寸为(h,1)和(1,w)的池化核分别对水平和垂直两个空间方向进行编码，将水平和垂直两个空间方向编码进行拼接并输入1x1卷积函数得到中间特征映射f。将中间特征映射f沿空间方向拆分为和并分别生成高度和宽度方向的注意力权重；

16、基于注意力权重进行加权并输出增强后的特征图。

17、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述将空间金字塔池化模块sppf改进为sppf-freq模块包括将增强后的特征图作为sppf-freq模块的输入特征进行一维变换通道调整为初始融合特征，根据初始融合特征采用低通滤波核生成低频特征；

18、基于低通滤波核反转获取高通滤波核生成高频特征；

19、定义邻域方向d计算位置p与邻域位置的相似度，根据相似度生成重采样偏移量并生成重采样特征，将低频特征、高频特征以及重采样特征进行融合获取频域增强特征；

20、保留sppf池化分支输出；

21、将频域增强特征与sppf池化分支输出拼接后调整通道维度输出最终特征图。

22、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述将原特征金字塔网络替换为渐进特征金字塔网络afpn包括定义进入afpn的四尺度特征，将四尺度特征通道统一为融合通道数，将不同尺度特征进行空间对齐，并采用asff生成空间自适应权重，根据空间自适应权重进行渐进融合获取四尺度检测特征。

23、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述构建yolov11n-cfa焊缝缺陷检测模型还包括采用anchor-free检测头构建四尺度检测头，对每个尺度检测特征输出边界框回归参数、类别概率和目标置信度。

24、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述yolov11n-cfa模型训练的超参数设置为：输入图像尺寸640×640，batch_size为16，训练迭代轮次epochs为200，优化器采用sgd，权重衰减系数为0.0005，初始学习率为0.01，动量为0.937，模型评价指标包括精确率precision、召回率recall、平均精度map@0.5、平均精度map@0.5-0.95、f1-score，选择验证集上map@0.5最高的模型权重作为最优权重；

25、在训练过程中，采用余弦退火策略更新学习率。

26、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述yolov11n-cfa模型在训练时通过边界框损失、类别损失以及目标置信度损失构建总损失函数。

27、作为本发明所述基于改进yolov11n的钢管焊缝缺陷检测方法的一种优选方案，其中：所述将待检测钢管焊缝图像输入至训练完成的焊缝检测模型后，输出边界框回归参数、类别概率以及目标置信度，模型根据类别概率确定焊缝缺陷的类别，对边界框回归参数进行解析得到边界框坐标和缺陷位置信息。

28、第二方面，本发明提供了基于改进yolov11n的钢管焊缝缺陷检测小车，其中：所述检测小车实现如本发明第一方面所述的基于改进yolov11n的钢管焊缝缺陷检测方法的任一步骤。

29、本发明有益效果为：本发明通过c3k2-coor模块的改进，将坐标注意力机制与多分支异构卷积结构结合，既实现了缺陷特征位置信息的精准保留，又通过多尺度卷积核实现了跨尺度特征的互补增强，显著提升了模型对焊缝细微缺陷、小目标缺陷的特征提取能力，解决了现有技术中小目标缺陷召回率低的问题。

30、本发明通过sppf-freq模块的改进，基于频域分析将图像特征分解为高低频信息分别处理，通过自适应低通滤波器增强缺陷类内一致性，通过偏移生成器与自适应高通滤波器强化边界细节信息，有效解决了边界模糊图像细节丢失的问题，提升了模型对不规则、边缘模糊焊缝缺陷的识别精度。本发明通过afpn渐进特征金字塔网络重构特征融合架构，结合自适应空间融合机制实现了底层细节与高层语义的渐进式融合，优化了多尺度特征的交互与利用效率，配合多检测层设计，大幅提升了模型对不同尺寸焊缝缺陷的检测鲁棒性，兼顾了大尺寸焊缝与微小气孔、飞溅点的检测性能。