相关实验视频
Updated: Jul 2, 2026
12:35
Atomically Traceable Nanostructure Fabrication
Published on: July 17, 2015
8.7K
微纳米损伤前体的深度学习辅助显微极化检查:用于增材制造设备的自动,非破坏性计量学
Dingkang Li1, Xing Peng1,2,3, Zhenfeng Ye1
1College of Intelligent Science and Technology, National University of Defense Technology, Changsha 410073, China.
Nanomaterials (Basel, Switzerland)
|June 11, 2025
概括
本研究引入了一个新的YOLOv11-LSF框架,用于增材制造 (AM) 中的智能质量监测. 它可以使用更少的训练样本进行微纳米损伤前体的自动非破坏性测试.
科学领域:
- 材料科学与工程 材料科学与工程
- 制造业 制造技术 制造技术
- 人工智能在制造业中的应用
背景情况:
- 增材制造 (AM) 为复杂元件制造提供了优势,但在工业级质量监测方面面临挑战.
- 现有系统在与多个规模的损害前体,噪声干扰和有限的高质量训练数据进行智能转型而斗争.
- 自动非破坏性测试 (NDT) 对于确保AM组件在关键应用中的可靠性至关重要.
研究的目的:
- 开发一种创新的智能检查框架,用于增材制造中微纳米损伤前体的自动化无损检测.
- 克服AM质量监测中的关键瓶,包括数据稀缺性和复杂特征检测.
- 提高在工业AM工艺中检测表面损伤前体的准确性和效率.
主要方法:
- 提出了一种创新的微观极化YOLOv11-LSF智能检查框架.
- 集成了一个多尺度感知模块与一个大可分离的内核注意力机制来增强特征检测.
- 开发了一个使用VoV-GSCSP模块和GSConv来减少模型复杂性的Slim-neck架构.
- 引入了一种新的模拟策略,对损害前体具有物理特征,以创建虚拟和真实集成训练样本库.
主要成果:
- 与基线相比,YOLOv11-LSF模型显示了显著的改进:准确性 (+1.6%),回忆 (+1.6%),mAP50 (+1.5%) 和mAP50-95 (+2.8%).
- 实现了高检测准确度:99%的孔隙性相关的微纳米损伤前体和94%的裂.
- 在复杂的工业条件下表现出强大的小样本适应能力和稳定性.
结论:
- YOLOv11-LSF框架为工业级AM质量监测提供了可靠的技术解决方案.
- 该研究通过跨度微纳米损害检查推进智能制造质量创新.
- 开发的方法有效地解决了AM质量评估中传统深度学习方法的局限性.
