| 基于深度学习的铝合金轮毂铸件图像缺陷检测 |
| |
| 引用本文： | 闫学顺,汪东红,吴文云,姜淼,邱慧慧,龚潜海,疏达.基于深度学习的铝合金轮毂铸件图像缺陷检测[J].特种铸造及有色合金,2023(4):457-463. |
| |
| 作者姓名： | 闫学顺 汪东红 吴文云 姜淼 邱慧慧 龚潜海 疏达 |
| |
| 作者单位： | 1. 上海工程技术大学材料科学与工程学院;2. 上海交通大学材料科学与工程学院;3. 嘉善鑫海精密铸件有限公司;5. 浙江佳力风能技术有限公司 |
| |
| 基金项目： | 国家重点研发计划资助项目(2020YFB1710101,2022YFB3706800)；;国家科技重大专项资助项目(J2019-Ⅵ-0004-0117)；;国家自然科学基金资助项目(51821001,52074183,52090042)；;浙江省重点研发计划资助项目(2020C01056,2021C01157,2022C01147)；;长寿命高温材料国家重点实验室开放基金资助项目(DECSKL202109)； |
| |
| 摘 要： | 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。
|
| 关 键 词： | 铝合金铸件 缺陷检测 深度学习 X射线图像 注意力机制 |
|
|
