相关实验视频
Updated: Jul 5, 2025
06:05
Additive Manufacturing-Enabled Low-Cost Particle Detector
Published on: March 24, 2023
1.3K
基于深度学习和机器视觉技术的增材制造工艺的实时缺陷检测策略.
Wei Wang1, Peiren Wang1, Hanzhong Zhang1
1Key Laboratory of MEMS of the Ministry of Education, Southeast University, Nanjing 210096, China.
Micromachines
|January 23, 2024
概括
本研究介绍了用于增材制造 (AM) 的深度学习缺陷检测系统. 增强的YOLOv8模型准确地识别3D微电子的制造缺陷,提高产品质量和可靠性.
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
- 电气工程 电气工程
背景情况:
- 增材制造 (AM) 正在向生产高价值,功能性最终用途产品发展,包括复杂的3D微电子.
- 对于3D微电子的AM过程的复杂性增加了制造缺陷和产品故障的风险.
- 实时缺陷检测对于确保先进的AM产品的质量和可靠性至关重要.
研究的目的:
- 开发和评估基于深度学习的缺陷检测技术,用于实时监控AM制造过程.
- 为了应对通过AM制造的复杂3D微电子产品的制造缺陷的挑战.
- 提高多材料和复杂结构AM的可靠性和质量控制.
主要方法:
- 提出了一种增强的YOLOv8算法,用于训练一个专注于缺陷识别和评估的深度学习模型.
- 在AM制造过程中利用机器视觉技术进行实时监控.
- 创建了3550张图像的定制数据集,涵盖了挤出3D打印的四个典型缺陷类别.
主要成果:
- 改进的YOLOv8模型在缺陷检测方面实现了91.7%的高平均精度 (mAP50).
- 该系统以每秒71.9的实时率运行,适合在过程中监控.
- 证明了拟议的深度学习方法的可行性,用于识别和评估AM中的缺陷.
结论:
- 开发的基于深度学习的缺陷检测系统有效地识别了AM过程中的制造缺陷.
- 增强的YOLOv8模型为3D微电子制造中的实时质量控制提供了一个有前途的解决方案.
- 这项技术可以显著降低产品故障率,并提高先进的增材制造产品的整体可靠性.
