研究注塑成型零件缺陷检测算法,基于乘法特征融合和改进的注意力机制
Rongnan Zhang1, Yang Li1, Zhiguang Guan2
1School of Construction Machinery, Shandong Jiaotong University, Jinan, 250023, China.
Scientific reports
|December 27, 2024
概括
一种新的MRB-YOLO缺陷检测方法提高了注射成型零件的准确性. 这种人工智能驱动的方法增强了缺陷识别,比传统的检查技术提供了显著的改进.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机视觉和人工智能的人工智能
背景情况:
- 注塑成型零件在各个行业中至关重要,因成本效益和耐用性而受到重视.
- 传统的手动检查缺陷是低效的,昂贵的,容易出错.
研究的目的:
- 开发一种先进的,用于注射成型零件的自动缺陷检测系统.
- 通过深度学习提高缺陷识别的准确性和效率.
主要方法:
- 拟议的MRB-YOLO模型是YOLOv8的增强,包含MAFHead用于特征融合.
- 集成的RepGFPN-SE模块用于改进小物体检测和BiNorma模块用于优化训练.
- 通过注射成型零件缺陷的定制数据集通过切除和对比实验进行验证.
主要成果:
- MRB-YOLO的准确率达到88.8%,回忆率达到86.8%,并达到91.5%的mAP.
- 与YOLOv8n相比,显著改善,精度增加了8.2%,回忆增加了17.2%,mAP增加了11.8%.
- 通过严格的废除和比较研究验证的有效性.
结论:
- 该MRB-YOLO模型有效地满足了在注塑成型部件中精确检测缺陷的要求.
- 拟议的改进显著提高了识别零件缺陷的性能.
- MRB-YOLO为传统的检查方法提供了更优质的替代方案.
