一种基于双向特征提取的小型造缺陷检测方法

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
• 人工智能的人工智能

背景情况:

• X射线检查对于检测内部造缺陷,如毛孔和隙至关重要.
• 传统的手动检查方法是主观的,缓慢的,容易出错,阻碍了效率和准确性.
• 自动缺陷检测对于科学严谨性和精确性在造质量控制中至关重要.

研究的目的:

• 开发一种深度学习模型,以准确有效地检测件中小规模缺陷.
• 通过创新的建筑设计,增强模型识别和定位微小缺陷的能力.
• 根据现有的最先进的物体检测技术验证模型的性能.

主要方法:

• 提出了一个具有端到端网络架构的深度学习模型.
• 使用了基于距离的瓦瑟斯坦损失函数,优化了小缺陷目标.
• 使用哈达马德产品开发了一种双层编码器-解码器多级特征提取架构 (BiSDE).

主要成果:

• 与最先进的模型相比,拟议的模型在平均平均精度 (MAP) 中至少提高了5.3%.
• 废弃性研究证实,每个组件都对模型的整体性能做出了重大贡献.
• 该模型在检测件中小规模缺陷方面表现出卓越的准确性.

结论:

• 开发的深度学习模型有效地提高了小规模造缺陷的检测精度.
• BiSDE架构和瓦斯斯坦损失函数可以提高微小缺陷的识别.
• 这项研究为工业缺陷检查系统的自动化和智能开发提供了巨大的潜力.