通过选择性盒融合,通过现代物体检测的选择性盒融合,检测EBSM组件中的缺陷
Rui Han1, Chenwei Wang1, Yuzhong Wang1
1State Key Laboratory for Manufacturing Systems Engineering, Xi'an Jiaotong University, Xi'an, 710049, China.
Scientific reports
|April 8, 2025
概括
本研究介绍了Selective Box Fusion (SBF),这是一种用X射线计算机断层扫描检测电子束选择性化 (EBSM) 部件内部缺陷的组合方法. SBF有效地结合了多个对象检测模型,以提高缺陷识别的准确性.
科学领域:
- 材料科学 材料科学 材料科学
- 制造业 工程 制造工程
- 计算机视觉 计算机视觉
背景情况:
- 增材制造 (AM),特别是电子束选择性化 (EBSM),为航空航天和汽车应用提供高精度和材料性能.
- 在EBSM部件的内部缺陷显著损害了他们的性能和可靠性.
- 准确检测这些缺陷对于AM的质量控制至关重要.
研究的目的:
- 评估现代物体检测模型在使用X射线计算机断层扫描 (CT) 数据识别EBSM部件内部缺陷方面的有效性.
- 提出和验证一种新的组合方法,选择性盒融合 (SBF),以改进缺陷检测.
- 通过先进的缺陷分析,提高EBSM组件的整体性能和可靠性.
主要方法:
- 利用X射线计算机断层扫描 (CT) 来生成电子束选择性化 (EBSM) 部件的横截面图像.
- 在CT图像上训练和评估最先进的物体检测模型,包括Sparse R-CNN和YOLO系列,用于内部缺陷检测.
- 开发并实施了选择性盒融合 (SBF) 整体方法,结合了投票和检测盒的加权融合.
主要成果:
- 斯帕斯R-CNN的整体表现强,而YOLO模型在特定检测指标方面表现出色.
- 拟议的选择性盒融合 (SBF) 组合方法在与单个模型相比,在各种评估指标上表现出卓越的表现.
- 通过整合它们的优势,SBF有效地减轻了个别检测模型固有的错误.
结论:
- 现代物体检测模型对识别AM部件内部缺陷具有前景.
- 选择性盒子融合 (SBF) 组合方法为提高EBSM缺陷检测准确度提供了一个强大而有效的策略.
- 这项工作有助于通过先进的计算缺陷分析来提高增材制造组件的质量和可靠性.
