卷积神经网络的应用用于屏蔽金属弧工艺中的表面不连续性检测
Elisa Elizabeth Mendieta1, Hector Quintero1, Cesar Pinzon-Acosta1,2
1Facultad de Ingenieria Mecanica, Universidad Tecnologica de Panama, Panama, Panama.
Frontiers in robotics and AI
|December 15, 2025
概括
本研究介绍了一种基于人工智能的方法,用于检测屏蔽金属弧 (SMAW) 中的接表面缺陷. 卷积神经网络显著提高了识别不连续性的准确性和效率,提高了接质量控制.
科学领域:
- 材料科学与工程 材料科学与工程
- 计算机科学和人工智能 人工智能
背景情况:
- 手动视觉检查接是耗时且容易出现错误的.
- 确保结构完整性在很大程度上依赖于准确检测接中的表面不连续性.
研究的目的:
- 使用人工智能开发一个用于检测屏蔽金属弧 (SMAW) 表面不连续性的自动化系统.
- 克服手工检查在识别接缺陷方面的局限性.
主要方法:
- 创建了一个数据集3000图像的SMAW接接与不连续性被创建.
- 在自定义数据集上训练和评估了YOLOv7卷积神经网络架构.
- 通过调整数据集大小和训练时代 (约250-300) 来优化性能.
主要成果:
- YOLOv7模型实现了高性能,精度为97%,mAP@0.5.5%的精度为94%.
- 增加数据集大小和培训时间对检测准确度产生了积极影响.
- 该模型显示了对图像变化的稳定性和对外部数据的良好概括性.
结论:
- 开发的AI方法为手工接检查提供了可靠和高效的替代方案.
- 这有助于智能系统的进步,用于自动化接质量控制.
- 该研究强调了深度学习在工业缺陷检测中的潜力.
