Dec 01, 2020 پیام بگذارید

تشخیص نقص سطح آلومینیوم بر اساس یادگیری عمیق

چکیده: با استفاده عمیق از فناوری اطلاعات در زمینه تولید صنعتی ، تحقیق در مورد داده های بزرگ در ساخت صنعتی در حال تبدیل شدن به یک منبع مهم برای تحقق ساخت هوشمند و کمک به دولت برای هدایت تحول و ارتقا بنگاه های تولیدی است. در فولاد ، آلومینیوم و سایر صنایع تولید فلز ، مشکلاتی از جمله حالت تولید گسترده و فرآیند تولید ساده وجود دارد. بنابراین ، استفاده از نسل جدید فناوری اطلاعات مانند هوش مصنوعی برای بهبود روند تولید و بهبود بهره وری تولید فوری است. هنگام استفاده از آلومینیوم ، سطح باید بررسی شود. تشخیص نقص سطح آلومینیوم موجود توسط بازرسی بصری دستی بسیار محدود ، بسیار طاقت فرسا ، یا براساس الگوریتم دید ماشین سنتی محدود می شود ، میزان تشخیص زیاد نیست ، معمولاً نمی تواند به طور دقیق تعیین شود نقص سطح در یک به موقع کارشناسی ارشد nner. برای حل این مشکلات ، از Convolutional Neural Networks و YOLOv3 برای شناسایی مجموعه داده های نقص آلومینیوم تولید شده توسط دو الگوریتم تشخیص هدف استفاده می شود. سپس ، بر اساس الگوریتم YOLOv3 ، بهبودهایی برای بهبود اثر تشخیص نقص های کوچک روی سطح آلومینیوم ایجاد شد. راستی آزمایی آزمایشی در&انجام شد ؛ تشخیص نقص مشخصات آلومینیوم&؛ مجموعه داده ارائه شده توسط هوش صنعتی گوانگدونگ مسابقه بزرگ نوآوری مسابقه. نتایج تجربی نشان داد که الگوریتم بهبود یافته&# 39؛ s میانگین دقت (mAP) 3.4٪ بالاتر از الگوریتم YOLOv3 و 1.8٪ بالاتر از الگوریتم Faster R-CNN بود.

aa

ارسال درخواست

whatsapp

تلفن

ایمیل

پرس و جو