密集采样算法下的毛刺缸套外观缺陷检测

毛刺缸套外观缺陷种类繁多、评判标准不一,导致传统图像处理方法提取的特征信息鲁棒性较差,影响其检测效果。为了解决上述问题采用深度学习算法对缺陷位置定位,提取缺陷区域,结合图像处理算法进行定量分析,准确计算缺陷面积的大小。通过对YOLOv3算法进行优化,增加注意力空间机制、密集采样的方法对图像的不同通道的特征进行学习,并且加深特征层之间的语义信息的传递和复用。通过对比实验发现,经过改进后的深度学习算法检测精度提升4.4%,漏检率减少7.5%,并且单张图像检测时间为86ms,满足工业生产的实时性要求,结合图像处理进行定量分析,准确判别产品的缺陷。

浅析毛刺缸套铸态纹理表面的控制

本文介绍了什么是毛刺缸套、铸态纹理表面的要求及这种缸套的优点及良好的市场前景。重点分析了毛刺缸套的"铸态纹理"的控制,对同行业想做这种缸套的客户,具有借鉴意义。