基于改进YOLOv7的换热器板片故障检测算法研究

2024年6月第52卷第11期Vol.52No.11DOI:10.3969/j.issn.1001-3881.2024.11.017(11):105-113.provedYOLOv7[J].MachineTool&Hydraulics,2024,52(11(北京信息科技大学，现代测控技术教育部重点实验室，北京100192)WANGBotao,ZHOUFuqiang,WUG(KeyLaboratoryofModernMeasurement&ControlTechnology,MinistryofEducation,BeijinghasmAP@0.5,recallrateR,andinspectionspeedincreasedby随着我国经济和现代工业的不断发展，换热器的需求日益增长，应用领域越来越广，所使用的比重也越来越大1。板式换热器广泛应用于石油、化工、冶金、电力、船舶、集中供暖、制冷空调、机械、食品、制药等领域[2]。作为换热器核心部件之一的换热·106·测方法，达不到定量检测。随着人工智能的发展，采用机器视觉检测换热器安装问题的方式日趋成2017年，MOKHTARI等³提出一种基于多种特2022年，陈绍奇6根据板式换热器板片表面缺陷特故障检测算法，首先采用CLAHE(ContrastLimited意力机制(MLA),添加至Backbon后；针对Neck部分，针对损失函数及Neck部分的PANet结构等做出改进，最后通过消融实验、不同模型对比实验进行验证，证明了改进后模型种用于提高图像对比的数字图像处理技术7。通过限制对比度自适应直方图均衡化的实现原理(1)分块。将输入图像划分为M×M个不重叠(3)计算剪切阈值。使用预先设定的阈值对每(4)直方图均衡。根据剪裁过的灰度直方图计算得到变换函数，每一子块进行直方图均衡化处(5)对每个子块的像素点使用双线性插值算法采用CLAHE算法对待检测图像进行清晰度增强处征提取(Backbone)、检测头(Head)11]。首先将对第11期王伯涛等：基于改进YOLOv7的换热器板片故障检测算法研究·107作者提出一种多级自适应注意力机制(Multi-levelAdaptiveAttentionMechanism,MLA),并将其添加至自适应融合通道注意力机制pos网格空间注意力机制pos网格空间注意力机制Fig.3Multi-leveladaptiveattentionmechanism·108机床与液压第52卷的权值矩阵；β₁和β₂表示通道注意力权重；λ表示和级联后的通道注意力权重逐通道相乘；X₂表示校对特征图的空间维度进行归一化，得到坐标网格。该网格与输入特征图沿通道维度进行最大池化和平均池化，聚合特征图的空间信息进行拼接，并通过一个3×3卷积将3种位置进行融合。最后使用Sig-moid激活函数与注意力融合结果进行激活，并将其与输入特征图进行逐元素相乘，得到通过GSA后的最终输出结果。β₁=C(A(P(X),Avgpool(X式中：X表示输入特征图矩阵；Avgpool为平均合后的注意力权重逐通道相乘；X₂表示校准后的特1.4基于深度可分离卷积的MP-D模块个k=3、s=2的卷积或者一个s=2的最大池化。在分支并联组合出MP模块用于下采样，如图4所示。图4MP结构由图4可知，第一条分支经最大池化和1×1卷积进行通道数的改变。第二条分支先经1×1的卷积做通道数的变化，再经k=3、s=2的卷积做图片尺寸MP模块中第二个分支采用k=3、s=2的卷积核，当步长为2时，可能会丢失一些特征信息，网络1.4.2深度可分离卷积与普通卷积的对比卷积求和，经过上述两种卷积才可得到最终的输出。整体结构如图5所示。Depthwiseseparableconvol致的输出特征图[13;其次，由逐点卷积对特征图进6、7所示。88DepthwiseSeparableDepthwiseSeparableConvolution388第11期王伯涛等：基于改进YOLOv7的换热器板片故障检测算法研究.1098×8×3的输出特征图，用256个1×1×3的卷积核对输入特征图进行卷积操作，最终输出的特征图也为8×8×256。由此可得，二者在最终输出结果一致的情况下，深度可分离卷积替换原来的卷积操作可能会在一定程度上减少特征损失，提高模输入通道数为M,输出通道数为N,卷积核大小为B₁=M·K·K·NA₂=(DW)₁+(PW),=K·K·M·Dp·D,+M·N·D,·DB₂=(DW)₂+(PW)₂=M·K·K+由式(12)(13)可得：相比于普通卷积来说，同时保持模型的准确性。改进后的MP-D如图9onBNReLUMaxpoolDW(a)PANetFig.10Networkstructurecomparison:(PANet在FPN基础上增加了一条自底向上的特特征图，提高目标检测的性能。本文作者针对于SiLU,同时它具有更强的非线性表达能力1.7YOLOv7-MLA网络结构改进后YOLOv7网络结构如图12所示。具体改进点包括：(1)多级自适应注意力机制(MLA)的加入使得局部特征提取能力显著增强；(2)使用取部分的参数量；(3)在Neck部分融合了BiFPN跨尺度连接的思想(图中红线所示);(4)在特征提取NeckNeck+BiFPN改进的MP-D模块融合BiFPN跨尺度连接注意力机制激活函数Fig.12YOLOv7-MLAnetwork照7:1:2比例划分为训练集、验证集、测试集；通类：板片装配正确为True、板片装配有误为False。Fig.13Sampleoflow-layerheatexchangerplate图14实际应用Fig.14Practicalapplication:(a)overallpicture;3.1数据增强结果均衡化处理前、后的图像分别如图15、16所示。Fig.15UnprocessedimageFig.16Ima至0.02001,mAP@0.5达到99.4%。图17Loss曲线N图18mAP@0.5曲线Fig.18mAP@0.5curves3.4消融实验实验结果发现：改进后的YOL0v7(序号5)和传统的YOLOv7(序号1)相比，R提升了2%,精确率P上升了4.1%,mAP@0.5提高了0.6%,参数量可能存在模型各项检测性能下降的风险，整体改进后的YOLOv7算法各项性能指标均有显著提升，明显优·112机床与液压第52卷于原始模型和其他模型。故改进算法对于换热器板片不仅检测速度快，还能够较为准确地检测识别出相关装配故障检测的效果比传统的YOLOv7表现更优秀，物体。mAP@0.5/%1√2√√3√√4√√5√√图19准确率对比3.5与其他算法对比为了更好地评估改进后的YOLOv7网络模型，本文作者对其余3种算法进行实验对比，以mAP@0.5和检测速度作为衡量标准，检测结果如表2所示。mAP@0.5/%检测速度/(帧·s-¹)改进的YOLOv7YOLOv5相比，mAP@0.5提升6.1%,检测速度提高了22.1帧/s;与改进后的YOLOv5相比，mAP@0.5提升3.8%,检测速度提高了20.3帧/s。综上所述，文中算法在mAP@0.5和检测速度上均优于上述算法，效果显著,表明了所提方法的有效性。基于YOLOv7提出一种改进的目标检测算法：多级自适应注意力机制(MLA)的加入，使得网络能够关注到局部更加微小的区域，大大提高检测成功的准确率；MP-D模块的加入，可以减少模型计算量和参数量，减少下采样特征损失严重的问题；BiFPN跨尺度连接思想的加入，可以更好地结合特征图上下文信息，进一步提高不同尺度特征图融合的效率和准确性。最后通过消融实验和不同模型对比实验验证可得，文中算法的检测速度、检测精确率均优于传统的参考文献scaleheatexchangerinChina[J].JournalofMechaEngineering,2013,49(10):134-143.MeasurementandInstrumentation,20wayScienceandEngineering,2021,18(3):623-6[6]陈绍奇.板式换热器板片缺陷检测方法研究[D].沈阳：inplateheatexchanger[D].Shenyang:ShenyangofTechnology,2022.式输送机异物识别[J].工矿自动化，2022,48(12):26-MA0QH,LISK,HUX,etal.ForeignobjectrofbeltconveyorincoalminebasedonimprovedYOLOv7[J].JournalofMineAutomation,2022,48(12)[8]郑双明.基于循环生成对抗网络增强单焦点超声图像质Chengdu:UniversityofElectronicScienceandTeofChina,2023.[9]张博龙.动态烟尘环境下图像导引跟踪关键技术研究ZHANGBL.Keytechnologyresearchontrackingindynamicsmokeenvironmen[10]朱大昌，黄乐涵.基于暗通道先验改进算法的水下图像增强方法研究[J].电光与控制，2022,29(12):41-ZHUDC,HUANGLH.UnderwaterimageenhanbasedonimprovedalgorithmofdElectronicsOptics&Control,2022,29(12real-timedetectionofprohibiteditems[J].ComputerEgineeringandApplications,2023,59(12):193-200.attentiondeeplearningmethodforhuman-vehinitionb