用图像处理方法开发和实施微结构缺陷检测模型
Sandra Gajoch1, Dorota Wilk-Kołodziejczyk1,2, Łukasz Marcjan1
1Department of Applied Computer Science and Modelling, Faculty of Metals Engineering and Computer Science, AGH University of Krakow, al. Adama Mickiewicza 30, 30-059 Krakow, Poland.
Materials (Basel, Switzerland)
|November 27, 2025
概括
这项研究开发了人工智能模型,用于检测 austempered柔性铁 (ADI) 微结构中的缺陷. ResNet,UNet和YOLO模型为分类,详细分析和工业缺陷检测提供了明显的优势.
科学领域:
- 材料科学 材料科学 材料科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 在钢化柔性铁 (ADI) 微结构中检测缺陷对于质量控制至关重要.
- 传统的缺陷分析方法可能耗时且主观.
研究的目的:
- 开发和实施人工智能 (AI) 模型,用于ADI微结构中的自动缺陷检测.
- 为了比较不同机器学习架构 (ResNet,UNet,YOLO) 对此任务的性能.
主要方法:
- 使用了三种机器学习方法:图像分类 (ResNet),像素分段 (UNet) 和对象检测 (YOLO).
- 数据准备涉及k-means集群,形态运算,二进制面具生成,标签转换和数据增强.
- 模型被调整并测试在一个定制的ADI微结构图像数据集上.
主要成果:
- ResNet提供了高分类准确度,但缺乏缺陷定位.
- UNet为定量分析生成了精确的细分口罩,但需要大量的计算资源,并与小缺陷作斗争.
- 通过使用边界框,YOLO 可快速检测缺陷.
结论:
- 每个AI模型都在ADI微结构缺陷分析中展示了针对特定应用的独特优势.
- ResNet适用于初步分类,UNet适用于详细的实验室分析,YOLO适用于工业检测任务.
更多相关视频
07:37Full-field Strain Measurements for Microstructurally Small Fatigue Crack Propagation Using Digital Image Correlation Method
Published on: January 16, 2019
10.1K
08:39Longitudinal Micro-Computed Tomography Image Analysis for User-Defined Region of Interest in Critical-Sized Bone Defects
Published on: June 24, 2025
534
