基于改进的YOLOv5的带式磨削表面缺陷检测

由于带式磨削表面缺陷的复杂性和多样性，表面缺陷的自动识别和定量表征仍然是一个需要解决的问题。为了对带式磨削中的表面缺陷进行检测，提出了一种多分类识别与量化的方法。利用YOLOv5算法进行缺陷检测，得到缺陷的分类和位置信息。首先在模型中引入CBAM注意力机制提升模型对细小缺陷的感知能力，其次对主干网络中的标准卷积替换成深度可分离卷积以降低模型参数量，最后引入SiOU边界损失函数加速模型收敛和提升准确率。最终改进后模型的mAP@0.5达到90.7%。其检测效率高达158.4 FPS，可进行后续实时监控。结果表明，本文提出改进的YOLOv5模型在带式磨削表面缺陷检测上具有可靠性和实时准确性。

砂带磨削由于其灵活、低温的加工特点，逐渐被应用于制造高精度设备，如航空发动机叶片、燃烧室等[1] [2] [3]。工作条件下砂带的磨损、脱落及不合理工艺因素的存在，不可避免地导致磨削表面出现各种缺陷[4]。表面缺陷会严重影响工件的表面质量和执行其预期功能的能力[5]。工件表面纹理图像为加工过程提供了丰富的工艺信息，对其表面缺陷进行识别和定量分析有利于进一步改进砂带磨削工艺[6]。

从缺陷识别和分类的角度来看，传统方法倾向于将人工特征与机器学习相结合。这些方法大多存在鲁棒性不足、计算量大、检测结果准确率低等问题[7] [8] [9]。近年来，基于深度学习理论的目标检测模型在工业缺陷识别中得到了广泛应用， 有效地解决了传统方法的不足[10]。

在目标检测效果方面， YOLOv5是本研究中用于磨带表面缺陷多分类识别的YOLO 系列中最先进的方法， 优于许多复杂的目标检测模型。

然而，定量缺陷特征也是缺陷分析的重点。通过对缺陷的定量描述，可以进一步建立表面缺陷、加工工艺、使用性能之间的关系，进行更深入的分析[11] [12] [13] [14]。

文献[15]中结合长度、深度等几何特征对疲劳缺陷进行定量评价。文献[16]为了有效控制合金铸坯各种类型的表面缺陷， 采用裂纹长度、裂纹深度和覆盖裂纹的外矩形的最小面积来定量表征缺陷。

文献[17]描述了利用工件表面烧伤的CCD 图像定量评估烧伤的可行性。文献[18]提出了一种实用的评价方法，使用色调、饱和度和值(HSV)颜色模型对磨削烧伤样品的颜色图像进行比较。

2. 基于改进的YOLOv5 检测模型 2.1. 缺陷和数据集的描述 本研究中讨论的缺陷类别如图1 所示。由于磨砂带表面的磨粒磨损脱落，磨砂带上的磨粒在磨削过程中以不同的深度进入工件，在某些地方留下较深的磨痕，如图1(b)所示。深磨痕缺陷加剧了工件的疲劳损伤和腐蚀。

在磨料磨损严重且冷却不足的情况下，不能排出磨削过程中产生的能量，这会使磨削材料软化并与材料表面粘附，影响工件表面粗糙度(图1(e))。如图1(f)所示，磨料颗粒位移会在磨削过程中产生非磨削方向划痕。如果磨削的热量过高，磨削表面也会产生严重的烧伤，如图1(f)和图1(g)所示。表面烧伤破坏工件的表面组织，导致氧化变质。此外，它很容易引起表面腐蚀，并显着降低工件的使用能力和寿命。

根据不同烧伤程度的颜色差异， 烧伤缺陷分为重度烧伤(蓝黑色)、中度烧伤(蓝色和浅蓝色)和轻度烧伤(浅