编辑推荐：
当前永磁磁瓦缺陷检测依赖人工，效率低且易出错。研究人员围绕永磁磁瓦缺陷的机器视觉检测展开研究，开发 MT-YOLO 模型。其 mAP@0.5 达 98.4%，参数等大幅减少，检测速度快，为缺陷检测提供高效方案。
在新能源汽车产业迅猛发展的浪潮中，电动汽车电机的性能至关重要，而其中的核心部件永磁磁瓦的质量更是关键。然而，目前永磁磁瓦的缺陷检测主要依赖人工 inspection，这种传统方式不仅耗费大量人力，而且检测效率低下，容易因人为因素出现误判，难以满足大规模生产中对检测精度和效率的需求。随着机器视觉技术的不断进步，利用智能化的检测手段替代人工成为行业亟待解决的问题。在此背景下，为提升永磁磁瓦缺陷检测的效率和准确性，天津理工大学等机构的研究人员开展了相关研究，最终开发出 MT-YOLO 这一轻量化检测模型，该研究成果发表在《Expert Systems with Applications》。
研究人员主要采用了以下关键技术方法：一是在模型的 Backbone 部分，利用轻量化卷积模块 Partial Convolution (PConv) 对 C3 模块进行重构；二是在 Neck 部分引入轻量化网络 GhostNetv2 进一步优化；三是提出 DGConv 模块并将其应用于模型 Neck 网络的特定层，以在轻量化的同时提升检测精度。研究使用了包含孔隙、开裂等五种缺陷类型的电动汽车电机磁瓦缺陷数据集进行训练和实验验证。
backbone 网络中 Partial_conv3 模块的有效性分析
通过将 Backbone 网络中的 C3 模块替换为基于 PConv 改进的 Partial_conv3 模块，构建了新的网络模型 P-YOLOv5s。实验对比发现，该模块的引入在提升模型检测性能的同时，有效减小了网络规模，验证了在 Backbone 网络中使用 PConv 的有效性。
MT-YOLO 模型的整体性能验证
实验结果表明，MT-YOLO 模型在置信度为 0.5 时，平均精度均值（mAP@0.5）达到 98.4%。与原始 YOLOv5s 模型相比，参数数量减少了 50.43%，浮点运算量减少 51.27%，模型尺寸缩小 49.64%，且检测速度最快，达到每秒 185.19 帧。与其他主流目标检测算法相比，MT-YOLO 在检测性能上表现更优。
研究结论表明，MT-YOLO 模型成功解决了传统人工检测永磁磁瓦缺陷的弊端，通过一系列轻量化改进和结构优化，在保证高检测精度的同时，大幅降低了模型的计算复杂度和资源需求，显著提升了检测速度。该模型为电动汽车电机永磁磁瓦的缺陷检测提供了一种高效、可靠的解决方案，对提高新能源汽车生产的自动化水平和产品质量具有重要意义。未来，可进一步探索该模型在更多复杂场景下的应用，以及与其他先进技术的结合，以不断完善其性能和适用范围。
