融合局部和全局特征的铸件缺陷检测

铝合金铸件已经广泛应用于汽车、飞机等重要工业,其质量直接影响到机械零部件的安全使用。针对铝合金铸件的X射线图像表面和内部缺陷多样化和细微问题,提出了一种融合局部和全局特征的X射线图像铸造缺陷检测方法。首先,将高效通道注意力模块和经典网络ResNet-50进行融合构成新的基础卷积神经网络,以新的网络为骨干构建双分支网络模型。然后,提出了细节信息定位提取(detailed information location and extraction,DILE)模块,该模块定位到包含丰富判别性信息的局部区域。最后,将由DILE得到的局部图像结合原始图像作为网络的输入,构建了一个融合局部和全局特征的双分支网络模型。对全局区域的学习有助于在复杂背景下提取有意义的细微信息,对局部区域的学习可以进一步提高分类效果。该方法在真实汽车铸件的X射线图像数据集上进行测试训练,测试集准确率达98.3%。实验结果表明,该方法相较于其他常规方法更有效。

基于改进YOLOv5的X射线图像铸件缺陷实时检测

铸件缺陷检测是一项重要的质量管理程序。为了避免人为因素的影响,提高检测精度,对YOLOv5s6的目标检测算法进行改进,用于X射线图像的铸件缺陷检测。首先设计了一种C3CA模块用于捕获跨通道、方向感知和位置感知的信息。然后通过在骨干网络中融合多头自注意力机制来捕获局部与全局信息。最后采用Focal-EIoU Loss损失函数。实验结果表明:在相同训练条件下,改进后YOLOv5s6的AP50值达到了90.2%,F1因子达到了87.8%,相较原始模型分别提高了3.4%和2.3%,具有检测准确率高、实时性强等特点。

铸件缺陷语义分割的编码器-解码器网络

深度学习的快速发展扩展了基于视觉的缺陷检测应用。针对铸件缺陷类间差异小、类内差异大、缺陷规模小等难点,提出一种编码器-解码器架构的语义分割网络,使用在ImageNet上预训练的ResNeSt主干网络作为特征提取器,构建密集连接的多尺度特征融合模块提升有效特征利用率,增强网络特征表示能力,解码器端融合低层级特征改善缺陷边缘分割效果,再通过双线性插值进行上采样以恢复空间分辨率。网络在构建的X射线铸件缺陷分割数据集上进行训练和评估,采用混合损失函数解决数据集样本不均衡问题,提升模型性能。实验结果表明,提出的语义分割方法能够提升铸件缺陷分割精度,效果优于其他语义分割方法。