中圖分類號：TP391.4；TP183 文獻標識碼：A 文章編號：2096-4706（2025）12-0068-06

Research on the Application of YOLOv8 Improvement Strategy in Welding External Defect Detection Model

ZHU Yonghong，YANG Kaifu （Jingdezhen Ceramic University，Jingdezhen 333403，China）

Abstract： Aiming at the challenges of missed detection，1 detection and arbitrary distribution of defect angles in smalltargetdefectdetectioninwelding extemaldefectimagedetection，anoptimizedand improvedmodelbasedonYOLOv8， YOLO-weld，isproposed.FirstlySPF-weldandC2f_DBB_CBAMmodulesaredesigned tonhancethecontextinfoation agregationabilityandmulti-scale featurefusioneffectofYOLO-weldmodel.Secondly，theOBBdetectionheadisintroduced toaccuratelycapturedirectionaldefects，soastoimprovethedetectionacuracy.Finalytheexperimentalresultshowthat compared with the YOLOv8 model， the YOLO-weld model improves the accuracy，recall，harmonic mean （F₁） and mAP @0.5 by 3.2% 0 2.6% 0 4.0% and 3.9% ，respectively，which fully proves the effectiveness of the YOLO-weld model improvement.

Keywords： welding external defect identification; non-destructive testing; YOLOv8; C2f_DBB

0 引言

隨著現(xiàn)代工業(yè)的迅猛發(fā)展，焊接技術已在眾多工業(yè)領域中發(fā)揮著不可或缺的作用，保障焊接結(jié)構(gòu)的堅固性和穩(wěn)定性，已成為工業(yè)發(fā)展中的關鍵議題。然而，由于焊接工件的形態(tài)多樣和焊接路徑的復雜特性，無論是手工焊接還是自動化焊接，焊接缺陷的出現(xiàn)幾乎是無法完全避免的[1]。鑒于此，提高焊接缺陷的檢測能力對于優(yōu)化焊接質(zhì)量和保障工業(yè)安全具有重要意義。

目前，焊接缺陷檢測技術主要可分為手工檢測和無損檢測兩大類。手工檢測因效率低下、精確度低及檢測過程中存在較強人為主觀性等缺點，難以滿足現(xiàn)代工業(yè)對高質(zhì)量焊接結(jié)構(gòu)的需求。因此，無損檢測技術逐漸成為焊接缺陷檢測的主要發(fā)展方向。學術界諸多學者在此基礎上，衍生出諸多檢測算法和方法以促進無損檢測技術的發(fā)展。例如，Mhamed等人[2]為實現(xiàn)焊接缺陷圖像的增強、銳化和背景平滑，提出了一種基于各向異性擴散算法的X射線膠片缺陷自動檢測方法；Das等人開發(fā)了一種基于小波包變換和希爾伯特-黃變換的分析方法，用于識別攪拌摩擦焊試樣中的內(nèi)部隧道缺陷，并通過瞬時相位和瞬時頻率特征有效描述焊接樣本缺陷；Guo等人[提出了一種結(jié)合對比度增強生成對抗網(wǎng)絡和Xception遷移學習的智能檢測模型，以解決焊接缺陷數(shù)據(jù)不平衡和低對比度圖像特征提取問題；Zhang等人[5利用聚類錨框技術和ResNet-101遷移學習，提出了改良版的FasterRCNN算法，以適應電子產(chǎn)品小型化和高集成化趨勢下對焊接質(zhì)量檢測的嚴格需求；Liu等人為提高金屬零件批量焊接中缺陷檢測的準確性和效率，提出了一種改進的概率神經(jīng)網(wǎng)絡（FAST-PNN）算法，以實現(xiàn)對燒穿、氣孔和裂紋等類型的有效識別；Kim等人[開發(fā)了一個多分支深度融合網(wǎng)絡 （MBDFN）模型，用以實現(xiàn)焊接缺陷的無損檢測；Zhang等人[8]針對油氣管道焊接缺陷檢測難的問題，提出了一種結(jié)合殘差膨脹InceptionU-Net和Transformer的RDIUTrans方法，以提取焊接缺陷多尺度全局和局部特征；Li等人[9為識別焊接構(gòu)件中的自然缺陷，開發(fā)了一套基于法拉第磁光效應的無損檢測系統(tǒng)，并采用多種濾波方法預處理圖像，結(jié)合CNN和ResNet50模型識別焊接缺陷。

雖然上述檢測算法和方法在一定程度上推動了焊接無損缺陷檢測技術的進步，但它們在實時性、多尺度處理和端對端學習等方面仍存在一定的局限性。為解決上述問題，研究人員開始將注意力轉(zhuǎn)向YOLO系列算法。YOLOv8作為YOLO系列的經(jīng)典算法，具有實時性高、多尺度處理能力強和端對端學習效果好等優(yōu)點。因此，本文以YOLOv8作為基準模型，對其主干網(wǎng)絡中的SPPF模塊進行二次改進，以增強多尺寸特征融合和上下文信息捕獲能力。同時，將設計的DBBCBAM模塊集成到C2f模塊中，以此提高不同層次信息的特征融合能力，增強小目標特征提取與融合能力。最后，將Detec檢測頭替換為OBB檢測頭，通過其旋轉(zhuǎn)邊界框提高檢測精度、優(yōu)化特征提取、改善小目標檢測、增強場景理解，并提升下游任務的性能。

1YOL0-weld焊接外部缺陷目標檢測算法

YOLO-weld焊接外部缺陷檢測模型結(jié)構(gòu)圖如圖1所示。該算法以YOLOv8為優(yōu)化基準，設計了改進優(yōu)化模型YOLO-weld，用于對焊接外部缺陷進行無損檢測。

圖1YOLO-weld模型網(wǎng)絡結(jié)構(gòu)圖

1.1基于空間金字塔池化模塊的二次改進

SPPF-weld的網(wǎng)絡框架結(jié)構(gòu)圖如圖2所示，其是在SPPF模塊基礎上進行的二次改進。該模塊改進吸收了SPPF模塊中逐層池化策略的優(yōu)勢，通過實施尺度不變的池化操作，使網(wǎng)絡能夠有效捕捉并融合不同空間尺度的顯著焊接圖像特征[10]。此外，SPPF-weld不僅集成了原模塊的優(yōu)點，還解決了SPPF模塊僅依賴逐層最大池化、忽視平均池化導致的特征圖平滑性缺失及上下文信息不足的問題。同時，模塊借助引入MPConv模塊，緩解了提取和融合特征圖信息時細膩的焊接圖像信息丟失問題。最后，本文將詳細介紹SPPF-weld模塊的運算流程：

1.1.1 SPPF模型

分支一，采用SPPF模塊對不同尺度的特征圖進行逐層最大池化，生成固定長度的特征向量，使模塊在不丟失空間信息的情況下處理不同尺寸的輸入圖像，這是實現(xiàn)端到端目標檢測的關鍵。此外，SPPF模塊通過捕獲多尺度特征，有效聚合焊接缺陷的上下語義特征信息，提高模型對不同大小目標的檢測能力，增強魯棒性和準確性[]。具體操作如式（1）所示：

Branch₁=SPPF（x_input）

1.1.2 CBS模塊

分支二，采用CBS模塊對輸入特征進行特征圖信息提取，通過卷積操作和批量歸一化，結(jié)合SiLU激活函數(shù)，有效提升特征的表達能力和網(wǎng)絡的泛化能力。該結(jié)構(gòu)設計旨在保持特征圖的空間信息，同時通過非線性激活增強特征的可區(qū)分性，從而在目標檢測任務中提高小目標的識別準確率。具體操作如式（2）所示：

Branch₂=CBS（x_input）

1.1.3跨方向平均池化與深度卷積處理

分支三，采用融合跨方向平均池化操作與深度卷積處理，細致挖掘特征圖中的空間信息、強化上下文信息提取能力并緩解細膩特征圖信息丟失問題。

該模塊首先對輸入特征圖在 x 軸和y軸方向上進行平均池化，以捕獲特征圖的本質(zhì)空間特征，補全特征圖平滑性缺失及上下文信息不足的問題。接著，通過MPConv模塊對空間特征進行深入分析并實現(xiàn)特征融合，從而豐富模塊對細膩特征圖的特征表示。最后，在每個卷積層后，通過批量歸一化層對特征分布進行標準化，并通過SiLU激活函數(shù)引入非線性，提高特征的區(qū)分能力，使模塊在處理復雜場景時能夠更精確地檢測目標。具體操作如式（3）和式（4）所示：

1.1.4 SPPF-weld

如圖2所示，SPPF-weld在三個分支結(jié)合后，對融合的特征圖信息通過CBS模塊進行再次提取，以此增強模塊特征圖的上下文信息聚合能力。具體操作如式（5）所示：

圖2SPPF-weld模塊的網(wǎng)絡結(jié)構(gòu)圖

1.2 基于C2f_DBB模塊的二次改進

C2f模塊通過特征融合技術，將低層次特征圖的細膩信息與高層次特征圖的語義和上下文信息相結(jié)合。這一融合過程通過卷積操作實現(xiàn)，該操作不僅調(diào)整特征圖的通道數(shù)，還改變其空間尺寸，確保不同層級特征圖在維度上的統(tǒng)一。這種統(tǒng)一性促進了信息在不同層級間的有效傳遞和融合，從而增強特征表示的豐富性和準確性[12]。此外，C2f的優(yōu)勢還在于其輕量級設計，使其能夠在保持較高精度的同時實現(xiàn)更快的推理速度，特別適用于實時應用。然而，C2f也存在一些缺點：首先，由于網(wǎng)絡結(jié)構(gòu)較為簡單，其在處理復雜焊接缺陷場景時準確性有所下降；其次，C2f在小目標特征信息融合方面表現(xiàn)不足，容易出現(xiàn)細膩的焊接缺陷信息丟失和遺漏的情況。

為解決上述問題，本文提出了C2fDBBCBAM模塊，如圖3所示。首先，對原DBB模塊進行優(yōu)化改進，在保持前三個 1×1 卷積分支結(jié)構(gòu)不變的情況下，將傳統(tǒng)的BN模塊替換為CBAM模塊。CBAM模塊的引入使其能夠自適應調(diào)整各通道間的相關性與重要性以及特征圖的空間權(quán)重，從而讓DBBCBAM模塊更好地關注輸入數(shù)據(jù)中的關鍵焊接缺陷信息，提升特征的信息表達能力。其次，在引入CBAM模塊的基礎上，提出CBS模塊。CBS模塊通過壓縮和融合通道及空間信息，能有效減少特征圖的維度，同時保留重要信息。這種設計不僅提高了模型的計算效率，還增強了DBB_CBAM模塊對復雜場景和小目標特征提取與融合的適應能力。最后，將DBB_CBAM模塊替換原C2f模塊中的Bottleneck，形成C2f_DBB_CBAM模塊，使其能夠更好地關注小目標缺陷信息，同時減少信息丟失、遺漏和背景噪聲的干擾，從而更高效地對不同層次和尺寸的焊接缺陷信息進行特征融合。

圖3C2f_DBB_CBAM模塊的網(wǎng)絡結(jié)構(gòu)圖

1.3定向檢測框0BB

在焊接外部缺陷檢測領域，由于裂紋、孔隙、飛濺等焊接外部缺陷的任意無方向分布，使得Detect檢測頭容易出現(xiàn)漏檢和檢測不全的問題。而OBB檢測頭能夠通過調(diào)整 θ 角度旋轉(zhuǎn)邊界框，從而更準確地捕捉這些有方向性的缺陷，以此提高檢測精度、優(yōu)化特征提取能力，故本文采用OBB作為YOLO-weld模型的檢測頭。OBB檢測頭基于角度 θ 的表示方法（如圖4所示），采用五參數(shù)表示方法，即 （x，y，w，h θ ）形式。其中， x 和 y 表示OBB檢測頭的中心坐標，w 和 h 表示寬度和高度， θ 表示旋轉(zhuǎn)角度。 θ 按照角度表示方法可分為OpenCV表示法和長邊表示法兩種[13]，本文采用 θ 取值范圍為 [-45^° ， 135^° ）的長邊表示法，其可覆蓋更廣泛的角度變化，確保對各種方向的缺陷均能有效檢測，從而使OBB檢測頭更準確地捕捉焊接外部缺陷的方向和形狀，進而提高檢測精度和效率。

（a）OpenCV表示法，0∈ （0^° ， 90^° ］（b）長邊表示法， θ∈[-90^° ， 90^° ）（c）長邊表示法，0∈[-45°， 135^° ）

圖4OBB檢測頭基于角度 θ 的表示方法

2 實驗結(jié)果機及其分析

2.1數(shù)據(jù)集的構(gòu)成

本數(shù)據(jù)集源自Roboflow平臺，為開源數(shù)據(jù)集（https：//universe.roboflow.com/trial-z2qzo/weld-ddeij-fkpig）。該數(shù)據(jù)集共包含四種焊接缺陷，分別是裂紋、孔洞、飛濺和焊接線，共計6000張，經(jīng)過數(shù)據(jù)增強后，將樣本擴充至17923張，按照8：1：1的比例劃分為訓練集、測試集和驗證集。

2.2實驗環(huán)境配置

本研究的所有實驗優(yōu)化均在同一臺配置固定的臺式計算機上執(zhí)行。實驗環(huán)境的具體參數(shù)如表1所示。此外，模型的超參數(shù)設置如下：緩存為禁用狀態(tài)，輸入圖像分辨率為 640×640 像素，訓練迭代次數(shù)設為300個周期，每個批次的樣本數(shù)量為4。除特別指明外，其余超參數(shù)均保持默認設置。

表1試驗環(huán)境配置

2.3模型性能評價指標

為全面評估焊接外部缺陷檢測模型的性能，研究選擇精度 （P） 、召回率 （R） 、調(diào)和平均值 （F₁） 及平均精度均值（mAP）作為關鍵性能評估指標。并引入每秒幀數(shù)（FPS）、浮點運算量（GFLOPs）及參數(shù)量（參數(shù)量 /10⁶ ）作為衡量模型推理檢測性能的核心指標。

2.4 消融實驗

為驗證所設計模塊的有效性，本研究對模型進行了四組消融實驗。實驗以YOLOv8為基準，記為A組。在A組基礎上，添加基于SPPF二次改進的優(yōu)化模塊SPPF-weld，記為B組。然后，在B組基礎上繼續(xù)添加其他模塊，依次類推直至D組。通過表2和表3中A組和D組實驗結(jié)果可知，相較于未改進的YOLOv8模型，YOLO-weld模型的檢測性能顯著提高，精度 （P） 、召回率（R）、調(diào)和平均值 （F₁） 及平均精度均值 （mAP@0.5） ）分別提升 3.2% ， 2.6% 、 4.0% 和 3.9% ，但模型的推理能力弱于原模型，尤其是每秒幀數(shù)（FPS）降低至 56.3% 。這表明，本研究模型檢測性能優(yōu)越，但實時性較弱。

表2消融實驗中模型檢測性能對比結(jié)果單位/%

（續(xù)表）

表3消融實驗中模型推理性能對比結(jié)果

2.5 對比實驗

為驗證YOLO-weld模型在檢測焊接外部缺陷時的有效性，本研究在相同實驗環(huán)境下，采用相同數(shù)據(jù)集訓練了9組當前先進的網(wǎng)絡模型進行性能對比，結(jié)果如圖5所示。通過圖5和表4可以看出，YOLO-weld模型在精度（P）、召回率（R）和平均精度均值 mAP（?0.5） 等檢測性能上均優(yōu)于其他模型，而在推理能力上弱于其他YOLO系列模型，尤其是相較于YOLOv11n有明顯差距。但綜合權(quán)衡模型性能和推理速度，YOLO-weld模型在焊接外部缺陷檢測任務中具有較高實用價值。

圖5不同模型的檢測性能對比圖

表4不同模型的檢測性能對比

3結(jié)論

針對焊接外部缺陷圖像檢測中存在小目標缺陷易漏檢或誤檢、缺陷角度任意分布的問題，本文提出一種基于YOLOv8的優(yōu)化改進模型一YOLO-weld模型。首先，模型對YOLOv8主干網(wǎng)絡中的SPPF模塊進行二次優(yōu)化，設計出SPPF-weld模塊。該模塊通過融合自主設計的兩個分支網(wǎng)絡結(jié)構(gòu)與原模塊分支結(jié)構(gòu)，增強上下文信息聚合能力、不同層次多尺寸特征融合能力，并緩解細膩焊接圖像信息丟失問題。其次，YOLO-weld模型在原頸部網(wǎng)絡C2f模塊框架不變的情況下，將自主設計的DBBCBAM模塊替換原C2f模塊中的Bottleneck，形成C2fDBBCBAM模塊，從而在增強不同層次和特征圖尺寸信息融合能力的同時，兼顧關注小目標缺陷信息，減少細膩特征圖信息的丟失與遺漏。接下來，為解決焊接缺陷角度任意分布的問題，YOLO-weld模型將原Detect檢測頭替換為OBB檢測頭，使其能夠通過調(diào)整 θ 角度旋轉(zhuǎn)邊界框，更準確地捕捉有方向性的缺陷，進而提高檢測精度、優(yōu)化特征提取能力。最后，消融和對比實驗表明，相較于未改進的YOLOv8模型，YOLO-weld模型檢測性能顯著提高，精度 （P） 、召回率（R）、調(diào)和平均值 （F₁）和平均精度均值 （mAP@0.5） 分別提升 3.2%.2.6% ， 4.0% 和 3.9% ，且在與其他先進的YOLO系列和RT-DETR等不同網(wǎng)絡結(jié)構(gòu)模型的檢測性能對比中表現(xiàn)最優(yōu)，充分說明YOLO-weld模型的有效性和適用性。

盡管YOLO-weld模型在檢測性能上取得了顯著提升，但其模型推理能力仍存在不足，導致實時檢測效率未能達到理想狀態(tài)。因此，后續(xù)研究應致力于優(yōu)化模型輕量化設計并提升檢測速度，以進一步提高YOLO-weld模型的實時檢測能力。

參考文獻：

[1]KERMORGANT O.AMagnetic ClimbingRobot to Perform

AutonomousWeldingin the Shipbuilding Industry[J].Roboticsand

Computer-IntegratedManufacturing，2018，53：178-186.

[2]MHAMEDIB，ABIDS，F(xiàn)NAIECHF.WeldDefect

Detection Using a Modified Anisotropic Diffusion Model[J].

EURASIP Journal on Advances in Signal Processing，2012，

2012：1-12.

[3]DASB，PALS，BAGS.ACombinedWaveletPacket

and Hilbert-Huang Transform for Defect Detection and Modelling

ofWeld Strength in Friction StirWeldingProcess[J].Journal of

ManufacturingProcesses，2016，22：260-268.

[4]GUORY，LIUH，XIEG，etal.Weld Defect

Detection From Imbalanced Radiographic Images Based on

Contrast EnhancementConditional Generative Adversarial

Network and Transfer Learning[J].IEEE Sensors Journal，2021，

21（9）：10844-10853.

[5] ZHANGKH，SHENHK.Solder Joint DefectDetection

in the Connectors Using Improved Faster-RCNNAlgorithm[J/

OL].Applied Sciences，2021，11 （2）：576[2025-01-03].

https：//doi.org/10.3390/app11020576.

[6]LIUJX，LIKX.IntelligentMetalWeldingDefect

Detection Model on Improved FAST-PNN[J/OL].Coatings，

2022，12 （10）：1523[2025-01-10].https：//doi.org/10.3390/

coatings12101523.

[7]KIMK，KIMKS，PARKHJ.Multi-Branch Deep

FusionNetwork-Based Automatic DetectionofWeldDefects

UsingNon-DestructiveUltrasonic Test[J].IEEEAccess，2023，

11：114489-114496. [8] ZHANG S W，WANG XQ，ZHANG T.Combining

Multi-ScaleU-NetWithTransformerforWeldingDefectDetection

ofOil/GasPipeline[J].IEEEAccess，2024，13：5437-5445.

[9]LIYF，GAOPY，LUOYB，etal.Automatic

Detection and Classification of Natural Weld Defects Using

Alternating Magneto-Optical Imaging and ResNet50 [J/OL].

Sensors，2024，24 （23）：7649[2025-01-17].https：//doi.

org/10.3390/s24237649.

[10]ZHANGG，WANGCT，XIAODQ.A Novel Daily

Behavior Recognition Model for Cage-reared Ducks by Improving

SPPF and C3 of YOLOv5s[J/OL].Computers and Electronics

inAgriculture，2024，227：109580[2024-12-23].https：//doi.

org/10.1016/j.compag.2024.109580.

[11] JOOSHINHK，NANGIRM，SEYEDARABIH.

Inception-YOLO：ComputationalCostandAccuracyImprovement

oftheYOLOv5ModelBasedonEmployingModifiedCSP，SPPF，

and Inception Modules [J].IET Image Processing，2024，18（8）：

1985-1999.

[12]LUO Z，WANGC，QI Z，etal.LA_YOLOv8s：A

Lightweight-Attention YOLOv8s for Oil Leakage Detection in

Power Transformers [J].Alexandria Engineering Journal，2024，

92：82-91. [13]鄒振濤.面向遙感圖像目標檢測的YOLO算法改進

[D].貴陽：貴州大學，2024.

作者簡介：朱永紅（1965一），男，漢族，江西鄱陽人，教授，博士，研究方向：智能檢測與控制、圖像處理、信息融合和網(wǎng)絡控制；楊開富（1997—），男，漢族，湖北宜昌人，碩士在讀，研究方向：智能檢測與控制、圖像處理和信息融合。