Dec 01, 2020 Jätä viesti

Syvään oppimiseen perustuva alumiinipinnan vikojen havaitseminen

Tiivistelmä: Tietotekniikan syvällisen soveltamisen avulla teollisen valmistuksen alalla teollisuusteollisuuden suurdatan tutkimuksesta on tulossa tärkeä vertailupohja älykkään valmistuksen toteuttamiseksi ja hallituksen auttamiseksi ohjaamaan teollisuusyritysten muutosta ja parantamista. Perinteisen teräksen, alumiinin ja muun metalliteollisuuden alalla on ongelmia, kuten laaja tuotantomuoto ja yksinkertainen tuotantoprosessi. Siksi on kiireellistä käyttää uuden sukupolven tietotekniikkaa, kuten tekoälyä, tuotantoprosessin parantamiseksi ja tuotannon tehostamiseksi. Alumiinia käytettäessä pinta on tarkastettava. Nykyinen alumiinipinnan vikojen havaitseminen on rajoitettu perinteisellä manuaalisella visuaalisella tarkastuksella, erittäin työläs tai perinteiseen konenäköalgoritmiin perustuva tunnistusaste ei ole korkea, ei yleensä voida määrittää tarkasti pintaviat ajoissa ma Näiden ongelmien ratkaisemiseksi käytetään Convolutional Neural Networks ja YOLOv3 havaitsemaan kahden kohteen havaitsemisalgoritmin tuottama alumiinivikatiedosto. Sitten YOLOv3-algoritmin perusteella tehtiin parannuksia, jotta pienten vikojen havaitsemisvaikutus alumiinipintaan paranisi. Kokeellinen todentaminen suoritettiin GG-mallilla; alumiiniprofiilin vikojen tunnistus GG-testillä; tietojoukon tarjoaa Guangdongin teollisen älykkyyden Big Data Innovation Competition. Kokeelliset tulokset osoittivat, että parannetun algoritmin' keskimääräinen keskimääräinen tarkkuus (mAP) oli 3,4% suurempi kuin YOLOv3-algoritmi ja 1,8% korkeampi kuin Faster R-CNN -algoritmi.

aa

Lähetä kysely

whatsapp

Puhelin

Sähköposti

Tutkimus