针对铝合金焊缝缺陷为小目标, 原 YOLOv4 模型检测召回率低下这一问题, 文中提出了改进型模型 YOLOv4-cs1, 通过改进
残差块堆叠方式及改变不同卷积的激活函数, 并且去除 PANet 网络中的下采样层保留边缘信息, 提升模型检测效果。 在此基础上继
而改进残差块, 在第 3 个与第 4 个残差块后分别加入改进后的 SPP 模块, 从而获得 YOLOv4-cs2 模型。 试验证明, YOLOv4-cs1 模
型与 YOLOv4-cs2 模型在气孔及夹渣 2 种缺陷的召回率较 YOLOv4 分别提高了 28. 9%, 16. 6%与 45%, 25. 2%, 2 种模型 mAP 值分
别为 85. 79%与 87. 5%, 与 YOLOv4 模型的相比, 分别提高了 0. 98%与 2. 69%
YOLOv4是一种高效的目标检测模型，全称为You Only Look Once的第四版。该模型以其快速的检测速度和较高的精度而被广泛应用。然而，在特定场景下，如针对铝合金焊缝中的小目标缺陷检测，原版YOLOv4的召回率（Recall）表现不佳，即在找出所有缺陷的能力上存在不足。为了改善这一问题，本文提出了两个改进模型：YOLOv4-cs1和YOLOv4-cs2。
YOLOv4-cs1模型的改进主要集中在两方面。优化了残差块（Residual Block）的堆叠方式，残差块是深度学习模型中用于缓解梯度消失和网络训练的重要结构。通过调整这些块的排列顺序和结构，可以增强模型的学习能力。改变了不同卷积层的激活函数，激活函数如ReLU能引入非线性，提升模型的表达能力。此外，YOLOv4-cs1还去除了PANet（Path Aggregation Network）中的下采样层，目的是保持图像的边缘信息，这对于检测细节丰富的焊缝缺陷尤为重要。
在此基础上，YOLOv4-cs2模型进一步改进了残差块，并在第3个和第4个残差块之后添加了改进的SPP模块（Spatial Pyramid Pooling）。SPP模块能够处理不同尺度的信息，对于检测大小变化的目标非常有用，特别是在处理小目标如焊缝缺陷时能显著提升检测效果。
实验结果显示，YOLOv4-cs1和YOLOv4-cs2在检测气孔和夹渣两种常见焊缝缺陷的召回率上，分别比原版YOLOv4提升了28.9%和16.6%，以及45%和25.2%。同时，这两种模型的mAP（Mean Average Precision）值也有所提高，YOLOv4-cs1达到85.79%，YOLOv4-cs2则为87.5%，分别比YOLOv4提高了0.98%和2.69%。这表明改进后的模型在小目标检测方面有显著的性能提升。
在铝合金焊接领域，由于其材料特性，焊缝缺陷的检测至关重要。传统的X射线无损探伤方法可能会因人为因素导致误检和漏检，因此引入深度学习的智能视觉检测系统是提高检测精度的有效途径。YOLO系列模型因其快速和准确的检测性能成为首选，而本文提出的改进模型YOLOv4-cs1和YOLOv4-cs2，为铝合金焊缝缺陷检测提供了更优的解决方案，尤其对于小目标检测的提升，对工业生产线的自动化检测具有重大意义。
