基于深度学习的铝合金轮毂铸件图像缺陷检测

基于传统X射线图像的铝合金轮毂铸件缺陷检测方法存在人工检测效率低、误检率高、检测精度较差等问题,提出一种基于深度学习的铝合金轮毂铸件图像缺陷检测方法。通过引入直方图均衡化方法,实现533组铝合金铸件X射线图像缺陷特征增强;同时基于Mosaic数据增广策略随机生成含有多尺度不同缺陷类型的新图像数据,提升图像的复杂度;修改了YOLOv5主干网络,引入SENet注意力机制模块对输入特征图的重要通道进行特征提取增强。结果表明,该方法对铸件缺陷平均检测精度(mAP)达到了99.6%,对比YOLOv3、YOLOv4以及YOLOv5主流算法,平均检测精度分别提升了9%、5.1%、4.2%。相较于原网络模型,常见的4种类型(气孔、缩松、裂纹、夹杂)铸件缺陷平均检测精度提升了10.83%。该方法具有更好的泛化能力,可实现铸件多类型缺陷的自动检测,能够满足工业实际需求。     

熔模铸造车间数据采集与生产智能预测

针对熔模铸造企业车间设备种类多,数据传输协议和存储结构不统一,异构数据采集困难、采集的数据杂乱缺失等问题,提出一种车间生产和设备资源的数据采集与管理框架。基于车间多源异构数据感知处理策略,设计车间数据传输路线,解决设备间数据交互差、感知处理困难的特点。结合主成分分析(PCA)和长短期神经网络(LSTM)算法,建立车间生产变化规律预测模型,完成车间数据处理和分析预测。最终,利用车间数据采集与管理框架,实现了28项工艺及现场数据的采集,且最小采集间隔时间可达1 000 ms,单日采集数据可达5×10⁵条。建立车间铸件产量预测模型,平均绝对误差为0.046 2%,决定系数为0.915 2,模型具有良好的泛化性。