论文部分内容阅读
尿素泵为机动车尾气后处理系统的核心设备,泵体材料一般为铝型材,在铝型材生产过程中,受工艺等因素的影响会产生各种瑕疵,影响铝型材的质量。传统人工检测,质检的效率和准确率难以满足生产需要。本文将深度学习算法引入到缺陷检测中,结合迁移学习原理,使用小批量数据集,利用改进的YOLO模型进行训练,预测铝型材表面瑕疵。试验结果显示,尽管在小批量训练的条件下,验证集mAP值为87.43%,仍取得了98.2%的准确率,比拟人工检测的准确率,并可以快速、准确的定位缺陷部位。此技术有望革新现有质检流程,自动完成质检任务