Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Detección de defectos superficiales del acero basada en el modelo YOLOv7 mejorado
En respuesta a los inevitables defectos superficiales en el proceso de fabricación del acero laminado en caliente, este artículo propone un modelo mejorado de detección de defectos superficiales del acero basado en YOLOv7. En la Red de Agregación Grande Eficiente Extendida (E-ELAN), el modelo sustituye la convolución convencional por la Convolución Dinámica Omnidimensional (ODConv) para mejorar la sensibilidad de la red a la extracción de características mediante una combinación de varios mecanismos de atención. Además, el cabezal de detección de la sección del cabezal se sustituye por un cabezal de detección desacoplado eficiente, lo que mejora la capacidad del modelo para clasificar y localizar pequeños defectos. El modelo propuesto se prueba en el conjunto de datos públicos NEU-DET, alcanzando un elevado mAP del 76,5 %. Esto mejora de forma efectiva la capacidad del modelo para detectar defectos superficiales en el acero, manteniendo al mismo tiempo una rápida velocidad de detección.
INTRODUCCIÓN
El acero es una materia prima importante en el campo del diseño y fabricación mecánica. El acero laminado en caliente se refiere a la producción de láminas y placas de acero utilizando el método de laminado en caliente. Debido al ambiente de alta temperatura en el proceso de producción del acero laminado en caliente, los defectos en la superficie son inevitables. Si no se detectan a tiempo, pueden afectar la calidad del producto e incluso causar daños graves a los usuarios del acero. Por lo tanto, para garantizar el rendimiento de seguridad de los productos de acero, es esencial realizar una detección de defectos en la superficie del acero laminado en caliente [1].
La detección tradicional de defectos en el acero se basa principalmente en la observación humana. Bajo trabajo a largo plazo y alta intensidad, los inspectores son propensos a la fatiga visual, lo que lleva a situaciones de falsos positivos y falsos negativos, así como a una velocidad de detección lenta. Con el continuo desarrollo de la tecnología de visión por computadora, el uso de técnicas de procesamiento de imágenes para la detección de defectos en el acero se ha convertido en la corriente principal. Sin embargo, aún existen algunas limitaciones. Por lo tanto, este artículo propone un modelo mejorado basado en el marco YOLOv7 para los defectos comunes en la superficie del acero laminado en caliente. El modelo se valida en el conjunto de datos NEU-DET y, mediante experimentos comparativos con otros algoritmos similares, el artículo demuestra el avance del modelo mejorado.
Autores: Teng, W. Z.; Zhang, Y. J.; Zhang, H. G.; Gao, D. X.
Idioma: Inglés
Editor: Croatian Metallurgical Society (CMS)
Año: 2024
Artículos
Categoría
Ingeniería y Tecnología
Licencia
Atribución
Consultas: 50
Citaciones: Journal Metalurgija Vol. 63 Núm. 3-4
Este documento es un artículo elaborado por W. Z. Teng, Y. J. Zhang, H. G. Zhang y D. X. Gao (Universidad de Ciencia y Tecnología de Liaoning, China) para la revista Metalurgija Vol. 63, Núm. 3-4. Publicación de la Sociedad Metalúrgica Croata (CMS). Contacto: Ilija.Mamuzic@public.carnet.hr
En respuesta a los inevitables defectos superficiales en el proceso de fabricación del acero laminado en caliente, este artículo propone un modelo mejorado de detección de defectos superficiales del acero basado en YOLOv7. En la Red de Agregación Grande Eficiente Extendida (E-ELAN), el modelo sustituye la convolución convencional por la Convolución Dinámica Omnidimensional (ODConv) para mejorar la sensibilidad de la red a la extracción de características mediante una combinación de varios mecanismos de atención. Además, el cabezal de detección de la sección del cabezal se sustituye por un cabezal de detección desacoplado eficiente, lo que mejora la capacidad del modelo para clasificar y localizar pequeños defectos. El modelo propuesto se prueba en el conjunto de datos públicos NEU-DET, alcanzando un elevado mAP del 76,5 %. Esto mejora de forma efectiva la capacidad del modelo para detectar defectos superficiales en el acero, manteniendo al mismo tiempo una rápida velocidad de detección.
INTRODUCCIÓN
El acero es una materia prima importante en el campo del diseño y fabricación mecánica. El acero laminado en caliente se refiere a la producción de láminas y placas de acero utilizando el método de laminado en caliente. Debido al ambiente de alta temperatura en el proceso de producción del acero laminado en caliente, los defectos en la superficie son inevitables. Si no se detectan a tiempo, pueden afectar la calidad del producto e incluso causar daños graves a los usuarios del acero. Por lo tanto, para garantizar el rendimiento de seguridad de los productos de acero, es esencial realizar una detección de defectos en la superficie del acero laminado en caliente [1].
La detección tradicional de defectos en el acero se basa principalmente en la observación humana. Bajo trabajo a largo plazo y alta intensidad, los inspectores son propensos a la fatiga visual, lo que lleva a situaciones de falsos positivos y falsos negativos, así como a una velocidad de detección lenta. Con el continuo desarrollo de la tecnología de visión por computadora, el uso de técnicas de procesamiento de imágenes para la detección de defectos en el acero se ha convertido en la corriente principal. Sin embargo, aún existen algunas limitaciones. Por lo tanto, este artículo propone un modelo mejorado basado en el marco YOLOv7 para los defectos comunes en la superficie del acero laminado en caliente. El modelo se valida en el conjunto de datos NEU-DET y, mediante experimentos comparativos con otros algoritmos similares, el artículo demuestra el avance del modelo mejorado.
Descripción
En respuesta a los inevitables defectos superficiales en el proceso de fabricación del acero laminado en caliente, este artículo propone un modelo mejorado de detección de defectos superficiales del acero basado en YOLOv7. En la Red de Agregación Grande Eficiente Extendida (E-ELAN), el modelo sustituye la convolución convencional por la Convolución Dinámica Omnidimensional (ODConv) para mejorar la sensibilidad de la red a la extracción de características mediante una combinación de varios mecanismos de atención. Además, el cabezal de detección de la sección del cabezal se sustituye por un cabezal de detección desacoplado eficiente, lo que mejora la capacidad del modelo para clasificar y localizar pequeños defectos. El modelo propuesto se prueba en el conjunto de datos públicos NEU-DET, alcanzando un elevado mAP del 76,5 %. Esto mejora de forma efectiva la capacidad del modelo para detectar defectos superficiales en el acero, manteniendo al mismo tiempo una rápida velocidad de detección.
INTRODUCCIÓN
El acero es una materia prima importante en el campo del diseño y fabricación mecánica. El acero laminado en caliente se refiere a la producción de láminas y placas de acero utilizando el método de laminado en caliente. Debido al ambiente de alta temperatura en el proceso de producción del acero laminado en caliente, los defectos en la superficie son inevitables. Si no se detectan a tiempo, pueden afectar la calidad del producto e incluso causar daños graves a los usuarios del acero. Por lo tanto, para garantizar el rendimiento de seguridad de los productos de acero, es esencial realizar una detección de defectos en la superficie del acero laminado en caliente [1].
La detección tradicional de defectos en el acero se basa principalmente en la observación humana. Bajo trabajo a largo plazo y alta intensidad, los inspectores son propensos a la fatiga visual, lo que lleva a situaciones de falsos positivos y falsos negativos, así como a una velocidad de detección lenta. Con el continuo desarrollo de la tecnología de visión por computadora, el uso de técnicas de procesamiento de imágenes para la detección de defectos en el acero se ha convertido en la corriente principal. Sin embargo, aún existen algunas limitaciones. Por lo tanto, este artículo propone un modelo mejorado basado en el marco YOLOv7 para los defectos comunes en la superficie del acero laminado en caliente. El modelo se valida en el conjunto de datos NEU-DET y, mediante experimentos comparativos con otros algoritmos similares, el artículo demuestra el avance del modelo mejorado.