LF-YOLO：X射线图像焊接缺陷检测的轻量高效方案

LF-YOLO，一种基于卷积神经网络（CNN）的焊接缺陷检测方法。LF-YOLO以轻量且更快速的特性脱颖而出，特别适用于X射线图像的焊接质量保证。制造业中X射线图像能够反映焊接区域的内部情况，然而，由于不同缺陷类型的形状和尺度变化巨大，传统模型在面对焊接缺陷时存在一定挑战。为了解决这一问题，LF-YOLO引入了增强的多尺度特征（RMF）模块，实现了基于参数和无参数的多尺度信息提取。RMF通过卓越的层次融合结构提取的特征图能够更全面地代表不同缺陷的信息。为了进一步提高检测网络的性能，本文提出了高效特征提取（EFE）模块，该模块以最小的计算消耗处理输入数据，增加了整个网络在实际行业中的实用性。实验证明，LF-YOLO在性能和计算消耗之间实现了令人满意的平衡，达到了92.9的平均精度（mAP50），每秒处理61.5帧。为了验证方法的能力，我们在公开数据集MS COCO上进行了测试，结果显示LF-YOLO具有出色的多功能检测性能。论文代码可在https://github.com/lmomoy/LF-YOLO获取。