基于改进YOLOv5s的动车配件裂纹荧光磁粉检测研究

针对目前动车配件裂纹缺陷磁粉检测存在数据样本少，没有公开数据集，网络模型体积大，识别精度低等问题，本文建立数据集并提出一种改进YOLOv5s目标检测算法。首先，针对数据样本少的问题，为了提高模型泛化性，同时针对荧光磁粉图像的特点，对小样本数据集使用HSV (Augment HSV (Hue, Saturation, Value))随机增强图像进行数据增强。然后，将YOLOv5s中backbone层的主干网络CSPDarknet-53更换为轻量化ShuffleNet-v2，减少模型体积。其次，在此基础上添加A2-Nets注意力模块，并结合Focal Loss损失函数使用。以确保网络更好地关注细小裂纹，改善裂纹检测任务精度。配合荧光磁粉技术，使动车配件裂纹增强显示，有利于算法更好地识别到裂纹。实验结果表明：本文提出的改进YOLOv5s目标检测算法提高了检测精度，具有较强的合理性。在动车裂纹荧光磁粉数据集上，检测精度mAP_0.5由86.00%提高到93.74%。为YOLOv5s目标检测算法在荧光磁粉检测项目上应用提供借鉴。

动车由很多配件构成，常见的动车配件包括发动机部件、制动部件、悬挂部件、传动部件、电气设备、车身结构部件等。它们的作用是确保动车安全的运行。它们需要定期维护、保养和检修，或根据特定需求进行升级和改进[1]。因此，针对不同配件的缺陷进行准确识别，为维修和保养配件提供信息，可以提高生产效率，有重要的工业研究意义[2]。在生产应用中，通常用磁粉检测技术(Magnetic Particle Testing)对动车配件进行缺陷检测。磁粉检测是一种快捷、高效、成本低的无损检测方法，专门用于检测金属材质的表面和近表面的裂纹[3]。这种方法利用磁粉在磁化的金属物体缺陷的漏磁处形成堆积，从而显现裂纹。市场迫切需要一款能够快速准确的识别动车配件荧光磁粉裂纹的解决方案。

常见的金属裂纹缺陷检测方法分三种：人工视觉检测方法，图像处理检测方法，深度学习目标检测法。

人工视觉检测方法具有灵活性和适应性，适用于各种形状和尺寸的材料，但其结果可能受到操作员主观因素的影响，例如人眼感光性和色觉反应，准确性有一定限制[4]。厉荣宣等[5]通过MATLAB 图像处理的方法，对采集到的荧光裂纹磁粉图片进行信号处理，图像分割和特征提取来识别裂纹。凌张伟等[6]从像素特征提取技术着手， 通过荧光磁粉裂纹照片的色彩信息来判断是否有缺陷， 陆宝春等[7]融合梯度法和阈值法， 结合灰度图像特征差异过滤伪裂纹信号，判断是否有裂纹。马涛等[8]采用形态学的方法，通过几何形状特点和纹理特征来辨别是否有裂纹。张静等[9]提出一种通过形态学的方法，结合人工识别经验，提取裂纹特征并建立专家知识库，需要对比专家库信息才能提高检测准确率。这种几种方法对磁粉探伤图片光照信息