基于深度学习的铝合金压铸件表面缺陷检测方法
摘要:基于深度学习的自构建多尺度空间语义融合网络模型,对铝合金表面自建缺陷数据集进行目标检测训练与验证,使模型的识别性能显著提升,能够满足铝合金表面缺陷检测系统对实时性和准确性的双重要求。结果表明:在两个自建实验数据集中,所提方法的PmAP@50 指标分别提升了6.1%和6.4%,PmAP@50:95 指标分别提升了2.7%和3.5%,这表明该方法在铝合金表面缺陷检测精度上更具优势;相较于通用的YOLOv11n 模型,新构建的模型参数量和计算量分别减少了0.5 MFLOPs和2.1 GFLOPs,表明其在铝合金表面缺陷检测效率方面有明显提升。新模型构建不仅在理论上为铝合金表面缺陷检测网络的优化提供了新思路,更在实践中为铝合金铸件表面缺陷检测提供了一种高效的解决方案。
