Application of the Improved YOLOv8 Algorithm for Small Object Detection in X-ray Weld Inspection Images

Dieser Artikel befasst sich mit der Anwendung eines verbesserten YOLOv8-Algorithmus zur Erkennung kleiner Objekte in Röntgenaufnahmen von Schweißnähten, wobei der Schwerpunkt auf der Verbesserung der Erkennungsgenauigkeit für verschiedene Schweißfehler liegt. Es beginnt mit der Diskussion der häufigsten Arten von Schweißfehlern und der Beschränkungen traditioneller manueller Inspektionsmethoden, die arbeitsintensiv und anfällig für menschliches Versagen sind. Der Artikel untersucht anschließend die Entwicklung von Methoden zur Fehlererkennung bei Schweißnähten, von der traditionellen Bildverarbeitung bis hin zu tief lernenden Ansätzen, wobei die Vorteile der Algorithmen der YOLO-Serie hervorgehoben werden. Im Mittelpunkt des Artikels steht der verbesserte YOLOv8-Algorithmus, der Modifikationen wie einen zusätzlichen Detektionskopf für extrem kleine Objekte, die Integration serpentinverformbarer Faltungen und eine verbesserte dreischichtige BiFPN-Struktur umfasst. Diese Verbesserungen zielen darauf ab, die Herausforderungen bei der Erkennung extrem kleiner Defekte, unregelmäßig geformter Defekte und mehrskaliger Ziele anzugehen. Der Artikel bietet auch einen detaillierten Vergleich des verbesserten YOLOv8-Modells mit anderen YOLO-Varianten und Mainstream-Algorithmen zur Objekterkennung, was seine überlegene Leistung in Bezug auf Erkennungsgenauigkeit und Effizienz demonstriert. Schließlich diskutiert der Artikel das Potenzial für weitere Optimierung und die Integration des Modells mit eingebetteten Systemen oder Edge-Computing-Plattformen für Echtzeit-Inferenzen und automatische Anmerkungen, um ein echtes End-to-End-Fehlererkennungssystem zu erreichen.