本科毕业论文格式视角下的创新性表达策略研究

随着智能制造的发展，工业零件表面瑕疵的自动化检测需求日益迫切。传统机器视觉方法在复杂缺陷识别上存在适应性差、误检率高等问题。本研究构建了一个基于改进YOLOv5模型的工业零件瑕疵检测系统。建立了包含划痕、凹坑、锈蚀等六类常见瑕疵的自定义数据集，并进行了数据增强处理。在原模型基础上引入卷积注意力模块（CBAM），增强了对微小瑕疵特征的提取能力；同时优化了损失函数，提高了模型在复杂背景下的收敛速度与检测精度。实验结果表明，在自建测试集上，改进后的mAP达到98.7%，单张图像平均检测时间为32ms，能够满足实时性要求，为工业生产线上的高精度、高效率瑕疵检测提供了可行的解决方案。

关键词： 深度学习；图像识别；YOLOv5；瑕疵检测；工业零件

Abstract: With the development of smart manufacturing, there is an increasing demand for automated surface defect detection of industrial parts. Traditional machine vision methods have limitations such as poor adaptability and high false detection rates when identifying complex defects. This research constructs an industrial part defect detection system based on an improved YOLOv5 model. Firstly, a custom dataset containing six common types of defects, including scratches, dents, and corrosion, was established and subjected to data augmentation. Secondly, a Convolutional Block Attention Module (CBAM) was introduced into the original model to enhance the feature extraction capability for minute defects, while the loss function was optimized to improve the convergence speed and detection accuracy under complex backgrounds. Experimental results show that on the self-built test set, the improved model achieves an mAP of 98.7%, with an average detection time of 32ms per image, meeting real-time requirements and providing a feasible solution for high-precision, high-efficiency defect detection on industrial production lines.

Keywords: Deep Learning; Image Recognition; YOLOv5; Defect Detection; Industrial Parts

目录（略）

1. 绪论

工业零件的质量直接影响最终产品的性能与安全。传统的人工目视检测效率低、主观性强且易疲劳。基于传统图像处理的自动检测技术对光照、背景及缺陷形态变化敏感，泛化能力不足。近年来，以卷积神经网络为代表的深度学习技术在计算机视觉领域取得突破，为复杂场景下的高精度缺陷检测提供了新思路。本研究旨在探索一种适用于实际工业环境、兼具高精度与实时性的零件瑕疵智能检测方法。

2. 相关技术与理论基础

2.1 目标检测算法发展概述：从R-CNN系列的两阶段算法到YOLO、SSD等单阶段算法，其核心是追求精度与速度的平衡。YOLOv5以其优异的综合性能与工程友好性被广泛采用。

2.2 注意力机制：通道注意力与空间注意力机制能引导模型聚焦于关键特征区域，抑制无关背景干扰，对于提升小目标及细微缺陷的识别率至关重要。

3. 基于改进YOLOv5的瑕疵检测模型设计

3.1 整体网络架构：以YOLOv5s为基线模型，保留其Backbone、Neck、Head的基本结构。

3.2 改进点一：在Backbone末端与Neck部分的关键路径上嵌入CBAM模块，实现跨通道与空间维度的特征重标定。

3.3 改进点二：将原始的CIoU Loss替换为融合了角度考虑的SIoU Loss，使边界框回归过程更符合瑕疵目标的几何特性，加速训练收敛。

3.4 数据集构建与预处理：合作企业实地采集零件图像2000张，经标注后采用Mosaic、随机旋转、亮度对比度调整等方法扩充至8000张，按7:2:1划分训练集、验证集与测试集。

4. 实验与结果分析

4.1 实验环境：Ubuntu 20.04，RTX 3090 GPU，PyTorch 1.10。

4.2 训练参数：初始学习率0.01，batch size为16，epoch为300。

4.3 评价指标：采用平均精度均值、精确率（Precision）、召回率（Recall）及FPS作为主要评价指标。

4.4 对比实验：将改进后的模型与原始YOLOv5s、Faster R-CNN及SSD模型进行对比。结果表明，改进模型在mAP上分别比原始YOLOv5s提升了2.1%，同时保持了相近的检测速度。在针对微小划痕（面积小于图像0.3%）的检测上，召回率提升尤为显著，达7.5%。

4.5 消融实验：分别验证CBAM模块与SIoU损失函数的单独贡献，确认两者均对性能提升有正向作用，组合使用效果最佳。

5. 系统部署与验证

将训练好的模型使用TensorRT进行优化并封装为推理引擎，集成到一套包含工业相机、光源及控制单元的简易原型系统中。在模拟生产线环境下对500个未知零件进行在线测试，系统综合检出率为99.2%，过检率为0.8%，平均处理速度满足生产线节拍要求。

6.

本研究针对工业零件瑕疵检测的实际需求，对YOLOv5模型进行了针对性改进。通过引入注意力机制和优化损失函数，有效提升了模型对微小瑕疵的敏感度与定位精度。实验及初步部署验证了该方案的有效性与实用性。未来工作可将模型轻量化以便部署于边缘设备，并探索少样本学习以应对新缺陷类型标注成本高的问题。

（略）

致谢（略）