相关实验视频
Updated: Aug 7, 2026
04:36
Real-Time Imaging of Bonding in 3D-Printed Layers
Published on: September 1, 2023
基于融合的多图像缺陷检测方法,用于实时监测陶增材制造中的再涂层
Xinjian Jia1,2, Tongcai Wang1, Yizhe Yang1,2
1Key Laboratory of Space Manufacturing Technology (SMT), Technology and Engineering Center for Space Utilization, Chinese Academy of Sciences, Beijing, China.
3D printing and additive manufacturing
|March 28, 2025
概括
本研究引入了一种新的缺陷检测方法,用于使用多图像融合和深度学习的陶添加剂制造. 该技术增强了对再涂层缺陷的实时识别,提高了工艺稳定性.
科学领域:
- 增材制造 增材制造 增材制造
- 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:
- 瓦特光聚合为陶添加剂制造提供了高精度和高效率.
- 再涂层缺陷对该技术的工艺稳定性构成重大挑战.
- 实时监控对于在光聚合过程中保持工艺稳定至关重要.
研究的目的:
- 开发和评估用于陶添加剂制造的缺陷检测方法.
- 为了应对 photopolymerization 中再涂层缺陷的挑战.
- 改进陶增材制造工艺的实时监控能力.
主要方法:
- 复涂图像与固化区域面膜的多图像融合.
- 图像纠正用于纠正重新涂层图像中的视角扭曲.
- 应用通道智能YOLO (CW-YOLO) 深度学习模型用于缺陷特征提取.
主要成果:
- 拟议的方法实现了高检测精度和实时检测速率103.58fps.
- 在图像融合后,F1分数,一个全面的指标,增强了大约10%.
- 与其他深度学习模型相比,CW-YOLO在缺陷检测方面表现出卓越的性能.
结论:
- 与CW-YOLO相结合的多图像融合显著改善了在陶添加剂制造中重新涂层缺陷的检测.
- 开发的方法有效地识别了难以区分的缺陷,如材料短缺和痕.
- 这种方法提高了陶添加剂制造过程的稳定性和质量控制.
