YOLOv5算法在高分子材料领域的应用

Application of YOLOv5 Algorithm in Polymer Materials Field

摘要

在现代工业中，高分子材料因其独特的物理和化学性质而被广泛应用于各个领域。目标检测技术，尤其是YOLOv5算法，因其在实时性和准确性方面的优势，已成为材料科学中的重要工具。YOLOv5，作为You Only Look Once（YOLO）系列的最新版本，通过其先进的深度学习架构，显著提高了目标检测的速度和准确性。文章综述YOLOv5在高分子材料领域的应用，包括材料缺陷检测、分类与识别、性能预测以及材料表征与分析。上述应用不仅提高了材料生产的质量和效率，还为材料研发提供了新的视角。随着技术的不断进步，YOLOv5在高分子材料领域的应用前景愈加广阔，有望进一步推动智能制造和自动化的发展。

关键词

YOLOv5算法 / 高分子材料 / 材料缺陷检测 / 分类与识别 / 性能预测 / 材料表征与分析

Key words

YOLOv5 algorithm / Polymer materials / Material defect detection / Classification and recognition / Performance prediction / Material characterization and analysis

近年来，高分子材料的应用范围日趋广泛，从汽车制造到医疗设备，从电子器件到建筑材料，高分子材料的应用无处不在^[1-2]。随着科技的不断进步，对高分子材料的性能要求也日益提高，这就需要更精确、更高效的检测和分析技术来确保材料的质量和性能。目标检测技术在这一过程中扮演至关重要的角色，它能够快速识别和分类材料，从而优化生产流程和提高产品质量^[3]。

YOLO系列算法作为目标检测领域的佼佼者，以其快速、准确的检测能力而广受好评^[4-6]。YOLOv5作为该系列的最新版本，不仅继承了前代算法的高效性，还通过技术创新进一步提升检测的准确性和鲁棒性。因此，YOLOv5成为高分子材料领域研究和应用的理想工具。

在高分子材料的研究和生产中，YOLOv5的应用前景广阔。例如，在材料缺陷检测方面，YOLOv5能够快速识别材料表面的微小缺陷，这对提高材料的可靠性和安全性至关重要。在材料分类与识别方面，YOLOv5能够帮助自动化系统准确区分不同类型的高分子材料，从而提高生产效率和减少人工成本。此外，YOLOv5还可以用于材料性能的预测和材料微观结构的分析，为材料科学的发展提供新的研究手段。

本文旨在综述YOLOv5在高分子材料领域的应用现状，探讨其在材料缺陷检测、分类与识别、性能预测以及材料表征与分析等方面的应用及当前面临的挑战，以期为高分子材料领域的研究人员提供有价值的信息和启示，推动YOLOv5在高分子材料领域的进一步应用。

1 YOLOv5算法概述

YOLOv5是一种先进的目标检测算法，它通过深度卷积神经网络实现从图像像素到边界框坐标和类别概率的直接映射。这种端到端的方法不仅能够简化检测流程，还可以提高检测效率^[7-9]。

1.1 YOLOv5的关键特点

YOLOv5具有高效性、准确性、灵活性、易用性和多尺度预测等特点^[10-11]。YOLOv5可在保持高检测精度的同时，通过优化网络结构和训练方法，实现更快的推理速度。YOLOv5可通过引入CSP连接和SPP模块，提高对目标的检测精度，尤其是在检测小目标和遮挡目标方面表现更佳。YOLOv5支持多种输入尺寸，可以根据实际应用场景灵活调整输入尺寸以满足不同需求。YOLOv5基于PyTorch构建，具有很高的易用性，用户可以通过简单的配置文件来搭建模型，并进行训练和推理。YOLOv5能够在不同尺度的特征图上进行目标检测，有助于捕捉不同大小的目标。

1.2 YOLOv5的工作原理

YOLOv5的工作原理包括特征提取、特征图预测、Anchor-free预测、正负样本匹配、损失函数和后处理^[12-14]。

特征提取：输入图像首先通过1个骨干网络（如CSPDarknet53）进行特征提取，生成多尺度的特征图。

特征图预测：在每个特征图上，YOLOv5会预测边界框、对象置信度和类别概率。这些预测是在多个尺度上进行的，以捕捉不同大小的目标。

Anchor-free预测：YOLOv5在预测时不依赖预设的锚点框，而是直接在特征图上进行预测，能够简化算法流程并提高检测速度。

正负样本匹配：YOLOv5采用一种基于Anchor和真实边界框形状匹配度的策略来确定正负样本。

损失函数：YOLOv5使用复合损失函数来训练模型，该损失函数包括边界框坐标、置信度和类别概率的损失。

后处理：在网络输出后，通常会应用非极大值抑制（NMS）来去除重叠的预测框，只保留最佳的预测结果。

2 YOLOv5算法在高分子材料领域的应用

2.1 材料缺陷检测

在高分子材料的生产过程中，缺陷检测是确保产品质量的关键步骤。YOLOv5作为一种先进的目标检测算法，已被应用于自动化检测系统中，以识别和分类材料缺陷。

JIA等^[15]通过改进YOLOv5算法实现了对塑料薄膜中缺陷（如气泡、裂纹和杂质）的高效检测，通过收集大量的缺陷和非缺陷图像来训练模型，最终实现了高达95%的准确率，显著提高了检测效率和准确性。

ZHAO等^[16]提出一种基于改进YOLOv5的算法，用于高分子材料表面缺陷检测。该算法在保持原有YOLOv5算法高准确度和快速推理速度的基础上，通过添加结构重参数化模块、神经架构搜索（NAS）、小目标检测层和坐标注意力（CA）机制，进一步提高了模型的准确度和帧率。改进后的YOLOv5算法在高分子材料表面缺陷检测中表现出色，平均精度达到97%，检测帧率达到46.17 fps，远超其他算法。

徐雷钧等^[17]开发一种透射式太赫兹连续波检测系统，用于检测含有内部缺陷的样品，并对检测结果进行图像预处理，创建目标数据集。为了解决工业场景中背景干扰、缺陷混淆、尺度变化和检测小缺陷的挑战，提出改进的YOLOv5s算法，通过增加小目标检测层、引入注意力网络CBAM和优化损失函数，提高缺陷识别的准确性和速度。结果显示，改进后的YOLOv5s在测试集上的准确率和召回率分别提升10.6%和3.0%，增强了特征提取能力，提高了鲁棒性，有效减少了误检和漏检。

潘金晶等^[18]提出一种名为YOLOv5-G的陶瓷表面缺陷检测算法，该算法在YOLOv5的基础上引入全局注意力机制(GAM)以增强特征表达，并使用α-CIoU损失函数来提高定位精度。在陶瓷表面缺陷数据集上的测试结果显示，YOLOv5-G在mAP50和召回率上相较于原始YOLOv5分别提升2.3%和4.6%，而在mAP50、精确率和召回率上分别提升3.9%、1.7%和5.1%。结果表明，改进后的算法在缺陷检测的准确性和召回率方面都有显著提升。

在轴承缺陷检测方面，改进的YOLOv5算法同样展现出了优异的性能。该算法通过引入Res2Block模块和BiFPN模块，提高了材料缺陷检测的准确性，尤其是在识别不明显的缺陷时。改进后的算法在所有3种缺陷类型的识别准确度上都有显著提升，mAP提高了7.2%，尽管算法模型的复杂性导致FPS下降，但仍然满足实时检测的要求^[19]。

上述研究表明，YOLOv5及其改进版本在材料的缺陷检测领域具有广泛的应用前景，能够显著提高检测的效率和准确性。通过不断研究和创新，YOLOv5在该领域的应用将更加广泛，为工业自动化和智能制造提供强有力的技术支持。

2.2 材料分类与识别

在高分子材料领域，材料的分类与识别对于确保产品质量和优化生产流程至关重要。YOLOv5算法因其高效的目标检测能力，已被广泛应用于自动化材料分类与识别系统中。

刘洋等^[20]利用YOLOv5对不同种类的塑料进行分类，通过训练模型识别塑料的纹理和颜色特征，实现了高达98%的分类准确率，显著提高了塑料回收过程的自动化水平。这项研究展示了YOLOv5在塑料分类中的高效性能，为塑料回收行业提供强有力的技术支持。

张浩洋等^[21]利用YOLOv5对建筑行业中使用的高分子材料进行分类，如聚氯乙烯(PVC)和聚碳酸酯(PC)。研究证明了YOLOv5在识别材料表面特征和纹理方面的能力，这对材料的耐久性和耐候性评估非常重要。这项研究为建筑材料的分类和评估提供了新的技术支持。

琚恭伟等^[22]提出基于YOLOv5目标检测算法对医用外科手套进行左右手识别的方法。通过摄像头采集不同角度下的手套左右手图像构建数据集，经过YOLOv5的预测训练框架对一份和复制的多份数据集进行训练，对比训练结果得到最佳训练模型。实验结果表明，同一数据集复制多份可以提高识别的准确率，其识别准确率达98%，基本满足医用外科手套实际生产过程的左右手识别要求。

上述研究表明，YOLOv5算法在高分子材料的分类与识别领域具有广泛的应用前景，能够显著提高检测的效率和准确性。通过不断研究和创新，YOLOv5在高分子材料领域的应用将更加广泛，为工业自动化和智能制造提供强有力的技术支持。

2.3 材料性能预测

在高分子材料领域，材料性能的准确预测对于材料设计、加工和应用至关重要。YOLOv5算法，作为一种高效的目标检测工具，已被用于结合图像分析预测材料性能。

刘想德等^[23]针对深度学习零件识别模型存在的参数量大、检测速度慢、性能预测效果不高等问题，基于YOLOv5模型提出一种融合轻量级网络和Transformer的改进算法。该算法通过设计轻量级主干网络减少参数量和计算量，提升推理速度；结合Transformer和C3模块增强小目标检测能力；并引入噪声净化模块来提高准确率。改进后的模型检测准确率和召回率分别提升24.2%和17.4%，达到86.7%和85.5%，实现了模型轻量化，提高了检测速度和识别准确率。

为了提高玻璃盖板划伤检测的速度和精确度，李虎等^[24]提出一种改进的YOLOv5s模型。该模型通过整合ResNeXt结构和大核注意力(LKA)增强特征检测和提取能力，引入BiFPN模块以提升特征融合和小目标检测能力，并将EIOU损失函数替代CIOU损失函数以提高锚框生成的准确性和模型收敛速度。改进后的模型在精确率和召回率上分别达到98.2%和98.4%，实现高效检测玻璃盖板划伤。

胡雅楠等^[25]探讨了使用机器学习方法预测增材制造金属和组件的力学性能的研究进展，采用高级物理信息机器学习的特征和构建方法，预测增材制造材料的各向异性微观结构、制造缺陷、残余应力和表面粗糙度等方面具有潜在应用价值，指出机器学习在力学性能预测中的局限性，并探讨未来的发展趋势。

林轩杰等^[26]讨论机器学习在材料弹性性能预测中的应用，包括使用高通量计算和机器学习方法来预测新材料的带隙，为YOLOv5在高分子材料性能预测领域的应用提供依据。

上述研究表明了YOLOv5在材料性能预测中的潜力。通过结合图像分析和深度学习，YOLOv5能够识别和分析材料的微观和宏观特征，从而预测材料的性能。这种方法不仅提高了预测的准确性，还加快了材料开发和优化的过程。

2.4 材料表征与分析

材料表征与分析是高分子材料科学中的关键环节，涉及对材料的化学、物理性质和机械性能的详细研究。YOLOv5算法在这一领域的应用，通过图像识别技术，为材料的微观结构和表面特性分析提供了新的工具。

宫祥瑞等^[27]探讨了深度学习在材料微结构与物性研究中的应用，包括使用深度学习技术来识别和分析材料的微观结构。文章通过对高分子材料结构描述符的设计与筛选、材料数据库的完善以及聚合物分子结构标识符的发展等方法，有效地构建分子链的化学组成、构象与其聚集态结构、宏观性能之间的联系，为YOLOv5在高分子材料表征与分析中的应用奠定基础。

王林^[28]针对阻燃材料的火焰延燃性能测试，提出一种基于深度学习的改进YOLOv5s模型，以提高测试的自动化和精确度。该模型通过调整YOLOv5的颈部网络，使用特征金字塔网络替代路径聚合网络，增强了多尺度特征融合能力，降低了计算量。结果表明，改进后的模型在阻燃实验数据集上能够准确识别小火星，火焰识别精确率在0.2置信度下提升了0.43，整体类别精确度提升0.26，有效检测阻燃材料的燃烧时间。这一研究为阻燃材料的性能测试提供一种高效、准确的自动化方法。

李容等^[29]提出一种利用深度学习算法YOLOv5s识别碳纤维增强塑料(CFRP)层裂损伤的方法。该方法基于层裂损伤改变高频激励下的局部波场特性，采用迁移学习策略，以含盲孔的铝板结构代替CFRP，提高样本生成效率。通过训练YOLOv5s网络识别含损伤铝板的波场图，然后将该网络应用于CFRP的损伤检测。结果表明，该方法能快速准确地识别CFRP中的多个层裂损伤，为复合材料损伤检测提供新的方案。

上述研究表明，YOLOv5在高分子材料的表征与分析中具有显著的优势。它不仅能够提高分析的效率和准确性，还能够处理大量的图像数据，提供一种新的研究工具。此外，YOLOv5的实时分析能力对需要快速反馈的材料加工过程尤为重要。

3 YOLOv5在高分子材料领域的挑战

YOLOv5在高分子材料领域的应用虽然展现出巨大的潜力和优势，但也面临着一系列挑战。（1）小目标检测精度：在高分子材料表面缺陷检测中，小目标的检测是1个难点。由于小目标的特征信息有限，并且在网络层中容易丢失，导致算法难以捕捉到小目标的关键特征。此外，小目标样本数量较少且容易受到背景干扰，使网络难以充分学习到小目标的特征^[30]。（2）多尺度缺陷检测：高分子材料表面的缺陷可能存在不同的尺寸和类型，这要求检测模型能够处理多尺度的目标。YOLOv5需要改进以增强其多尺度表征能力，以提升检测精度^[31]。（3）特征提取能力：为提高检测性能，需要设计能够强化包含丰富几何信息的浅层特征的网络结构，以减少微小目标的信息损失。同时，需要提出具有动态感受野的检测头以缓解检测头中感受野与目标尺度不匹配的问题^[31]。（4）数据集的质量和规模：深度学习模型的性能在很大程度上依赖训练数据的质量和规模。在高分子材料领域，获取大量高质量的标注数据是1个挑战。此外，不同材料和生产条件下的缺陷表现可能有所不同，这要求模型能够适应多样化的数据集。（5）实时性和效率：工业生产环境中，对缺陷检测的实时性要求很高。YOLOv5以其速度快而著称，但在处理复杂的高分子材料表面时，仍需优化以满足实时检测的需求。

4 结论

本文综述YOLOv5算法在高分子材料领域的应用，包括材料缺陷检测、分类与识别、性能预测以及材料表征与分析。YOLOv5以其高效的目标检测能力，在上述应用中展现出显著的优势，可提高材料检测的准确性和生产过程的自动化水平。结合具体的文献报道，可以看到YOLOv5在识别材料缺陷、分类材料类型、预测材料性能以及分析材料微观结构方面的潜力。然而，这一技术的应用也面临着数据集构建、模型泛化能力、实时处理需求、多模态数据融合以及模型可解释性等挑战。未来的研究需要集中在优化算法、提高模型的泛化和可解释性以及开发集成化系统等方面。随着深度学习技术的不断进步和跨学科合作的加强，YOLOv5在高分子材料领域的应用前景更加广阔，有望进一步推动材料科学的发展和工业生产的智能化。

参考文献

[1] 康菡子,朱浩霖,周文欣,基于动态共价键类玻璃高分子材料的制备及应用研究进展[J].塑料科技,2024,52(6):155-160.

[2] 李华,朱雨田,赵桂艳.导电高分子基柔性应变传感材料研究进展[J].辽宁石油化工大学学报,2022,42(2):44-49.

[3] 刘耿焕,曾祥津,豆嘉真,基于深度学习的小目标检测技术研究进展[J].红外与激光工程,2024,53(9):196-228.

[4] 张立国,袁煜淋,金梅,基于改进YOLOv8n的无人机目标检测算法研究[J].计量学报,2024,45(10):1487-1493.

[5] 杨旭睿,冯宇平,李悦,基于注意力机制改进YOLO-V5的多尺度行人目标检测[J].青岛科技大学学报:自然科学版,2024,45(5):127-134.

[6] 方琪豪.基于改进YOLO算法的高压线路障碍物检测算法研究[J].自动化应用,2024,65(19):32-34.

[7] 姜月,肖萌,李海霞.基于YOLOv5s的神经网络麦穗识别算法研究[J].人工智能与机器人研究,2022,11(2):84-90.

[8] 白浩琦,李和平.基于改进YOLOv5的Video SAR动目标检测算法[J].科技创新与应用,2024,14(26):54-59.

[9] 邓诗弋.基于改进YOLOv5的道岔滑床板磨损缺陷检测方法研究[D].西安:西安理工大学,2024.

[10] 马鸽,李洪伟,严梓维,基于多注意力的改进YOLOv5s小目标检测算法[J].工程科学学报,2024,46(9):1647-1658.

[11] 郭明全,赵景服.YOLOv5-SATC:用于遥感图像目标检测的网络[J].信息与电脑:理论版,2024,36(15):18-20.

[12] 曲英伟,刘锐.基于YOLOv5-MobileNetV3算法的目标检测[J].计算机系统应用,2024,33(7):213-221.

[13] 王志林.基于改进YOLOv5的无人机图像中的车辆检测研究[D].淮南:安徽理工大学,2024.

[14] 乔石丽.基于改进YOLOv5的复杂场景下车辆目标检测算法研究[D].长春:长春工业大学,2024.

[15] JIA X, TONG Y, QIAO H M, et al. Fast and accurate object detector for autonomous driving based on improved YOLOv5[J]. Scientific Reports, 2023, 13: 9711.

[16] ZHAO Y L, WANG H, XIE X M, et al. An Enhanced YOLOv5-based algorithm for metal surface defect detection[J]. Applied Sciences, 2023, 13(20): 11473.

[17] 徐雷钧,周雅菲,陈建锋,基于太赫兹技术及YOLOv5s的碳纤维缺陷检测研究[J/OL].激光与光电子学进展,1-17[2024-09-20].

[18] 潘金晶,曾成,张晶,基于改进YOLOv5的陶瓷表面缺陷检测算法[J].现代信息科技,2024,8(13):70-75.

[19] LI K N, JIAO P G, DING J M, et al. Bearing defect detection based on the improved YOLOv5 algorithm[J]. Plos One, 2024, 19(10): e0310007.

[20] 刘洋,李全勇,顾健,基于改进YOLOv5的缺陷识别与定量分析[J].无损检测,2023,45(1):14-22.

[21] 张浩洋,何仕荣,孟冬平.YOLOv5改进算法在机械零件中的识别与应用[J].软件工程与应用,2022,11(6):1446-1455.

[22] 琚恭伟,焦慧敏,张佳明,基于YOLOv5的医用外科手套左右手识别[J].制造业自动化,2021,43(12):189-192.

[23] 刘想德,马昊.基于YOLOv5的零件识别轻量化算法[J].组合机床与自动化加工技术,2024(5):100-104, 107.

[24] 李虎,胡晓兵,陈海军,基于改进YOLOv5s的玻璃盖板划伤检测算法[J].组合机床与自动化加工技术,2024(4):62-65, 71.

[25] 胡雅楠,余欢,吴圣川,基于机器学习的增材制造合金材料力学性能预测研究进展与挑战[J].力学学报,2024,56(7):1892-1915.

[26] 林轩杰,江汉同,李倩,基于机器学习的材料弹性性能预测及可视化分析[J].工程科学学报,2024,46(6):1120-1129.

[27] 宫祥瑞,蒋滢.机器学习在高分子材料基因组研究中的进展与挑战[J].高分子学报,2022,53(11):1287-1300.

[28] 王林.基于改进YOLOv5的阻燃材料燃烧时间检测[J].电脑知识与技术,2023,19(36):25-29, 33.

[29] 李容,冯侃,闫静,基于YOLOv5s的复合材料层合板层裂损伤局部稳态波场识别研究[J].固体力学学报,2023,44(5):672-678.

[30] 邓光伟,尤红权,朱志松.基于KCC-YOLOv5的铝型材表面缺陷检测[J].激光与光电子学进展,2024,61(4):1-9.

[31] 李少雄,史再峰,孔凡宁,一种面向钢材表面缺陷检测的改进型YOLOv5算法[J].激光与光电子学进展,2023,60(24):1-9.