基于改进DCGAN的铸件表面缺陷生成方法

为解决传统数据增强仅通过改变和翻转图像无法生成新的铸件表面缺陷图像且泛化能力较差等问题,通过修改网络结构并将注意力机制嵌入深度卷积生成对抗网络DCGAN模型中,实现更丰富的特征聚合,加强关键信息的交互,同时用MetaAconc激活函数替代ReLU激活函数,提升网络的自适应激活能力,增强模型训练的稳定性,并提出AMDCGAN模型。实验结果表明,相比DCGAN模型,AMDCGAN模型生成图像的FID值从19.07降至8.06,能更有效地完成铸件表面缺陷图像的生成任务。

基于CCD-YOLOv5算法的铸件表面缺陷检测模型

针对铸件表面缺陷检测对象种类繁多、目标不明显、特征多样等因素,提出一种基于改进YOLOv5算法的铸件表面缺陷检测模型。对数据样本做翻转、旋转、调色处理,使用9-Mosaic数据增强,丰富样本数量特征;将CSPDarknet53模块替换为C2f模块,丰富轻量化网络梯度信息;引入CA注意力机制,提升模型泛化能力;将耦合头模块替换为解耦头模块,提升拟合速度。改进CCDYOLOv5对铸件表面缺陷检测的准确率由78.2%提升至82.9%,召回率由74.3%提升至76.7%,mAP@0.5值由76.4%提升至81.0%。结果表明,改进模型有效提升了综合识别检测效果。

机器视觉技术在铸件缺陷检测中的应用

为提高铸件表面缺陷的识别效率,分析机器视觉在发动机铸件表面缺陷检测中的应用。分析铸件表面缺陷特征和图像降噪和分割技术,改进和优化传统算法,以中值滤波代替均值滤波进行图像降噪,采用阈值法进行图像分割;依据系统框架设计,选配合适设备,设计检测流程,开发检测软件。应用机器视觉技术检测铸件样件表面缺陷。结果表明:气孔、砂眼缺陷检测的准确率分别为93.6%和95.2%;相比传统的检测方法,机器视觉铸件表面缺陷检测方法准确性高、实用性和经济性好,可较好地适用于生产现场。

铸件挽救工程新技术

内容简介及技术水平:本技术属液膜溶解扩散连接,可在基体金属不熔化的情况下,获得高强度连接、硬度可调、色泽与母材相近,本技术为国内首创,可用于各类材质铸件表面缺陷的修复,特别适用于常规焊接法无法修复的铸钢件表面缺陷的修理。

湿型砂性能检验不能解决铸件表面质量的原因何在？

很多工厂的湿型砂检验存在着诸多不当和错误，使型砂检验流于形式，无法用来判断铸件表面缺陷的生成原因。大多数铸件缺陷是几种影响因素相互结合而形成的，进行综合分析就能找出适当的防治措施。