一个改进的面具R-CNN微裂纹检测模型用于金属结构部件表面
Fan Yang1, Junzhou Huo1, Zhang Cheng1
1School of Mechanical Engineering, Dalian University of Technology, Dalian 116024, China.
Sensors (Basel, Switzerland)
|January 11, 2024
概括
这项研究通过优化Mask R-CNN模型来提高设备健康监测的微裂纹检测精度. 在特征融合,提取和网络培训方面的改进导致了微裂的卓越识别,分类和定位.
科学领域:
- 工程 工程师 工程师 工程师
- 材料科学 材料科学 材料科学
- 计算机视觉 计算机视觉
背景情况:
- 微裂纹检测对于关键设备健康监测和确保运行稳定至关重要.
- 传统的目标检测模型在识别金属结构上的微裂时的准确性很低.
研究的目的:
- 为了提高微裂纹检测的准确性和性能,使用优化的Mask R-CNN模型.
- 解决目前用于检测金属结构部件微裂纹的模型的局限性.
主要方法:
- 开发了一个专门的微裂纹数据集.
- 通过自下而上的特征融合路径改进了特征金字塔网络 (FPN).
- 在ResNet中集成可变形卷积芯和注意力机制,以实现高效的特征提取.
- 修改了损失函数以优化网络训练和融合.
主要成果:
- 所有提议的改进方案都单独提高了原来的Mask R-CNN性能.
- 综合方法在微裂纹识别,分类和定位方面取得了显著的改进.
- 废弃实验验证了每个修改的有效性.
结论:
- 优化的Mask R-CNN在微裂纹检测方面表现出卓越的性能.
- 提议的改进是合理的,并且可用于改善设备健康监测.
- 这项工作提供了一种可靠的方法,用于在结构部件中准确识别微裂.
