通过多频谱和机器学习对增材制造零件进行快速准确的缺陷检测
相关实验视频
Updated: Jul 26, 2025
06:05
Additive Manufacturing-Enabled Low-Cost Particle Detector
Published on: March 24, 2023
1.3K
Lingbao Kong1, Xing Peng1, Yao Chen1
1Shanghai Engineering Research Center of Ultra-Precision Optical Manufacturing, Department of Optical Science and Engineering, School of Information Science and Technology, Fudan University, Shanghai, China.
3D printing and additive manufacturing
|June 22, 2023
概括
这项研究引入了增强的You Only Look Once版本3 (YOLOv3) 算法,用于检测金属增材制造 (AM) 表面缺陷. 改进的方法显著提高了检测准确度和速度,为质量控制提供了更有效的解决方案.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机科学 计算机科学
- 制造业 制造技术 制造技术
背景情况:
- 传统的金属增材制造 (AM) 缺陷检测方法的效率和准确性较低.
- 现有的用于缺陷检测的机器学习算法具有较差的适应性和复杂的结构.
- 需要在金属AM中进行强大而高效的表面缺陷检测.
研究的目的:
- 提出一个改进的You Only Look Once版本3 (YOLOv3) 算法,用于检测金属AM的表面缺陷.
- 通过使用多频谱数据,提高缺陷检测的适应性和准确性.
- 为了实现金属AM的高速,端到端的表面缺陷检测.
主要方法:
- 开发了一种改进的YOLOv3算法,包括多频谱分析.
- 利用加权的k-means集群来优化样本与特征层的匹配.
- 用轻量级的MobileNetv3取代了Darknet-53的骨干,并集成了扩展卷积和Inceptionv3模块.
主要成果:
- 与原来的YOLOv3.3相比,改进的YOLOv3-MobileNetv3网络实现了平均11%的更高检测准确度.
- 在三种缺陷类型中,裂纹缺陷的检测准确度增加了23.8%.
- 检测速度提高了18.2%,证明了效率的提高.
结论:
- 增强的YOLOv3算法为金属AM表面缺陷检测提供了有效的端到端解决方案.
- 拟议的方法实现了高精度和快速检测速度.
- 这种方法有可能实现金属添加剂制造中的实时在线缺陷监测.
