报告题目：铸件表面缺陷检测算法研究

报告人：张卉

报告时间：2023年12月2日（周六），14:00-18：00

报告地点：安徽工业大学秀山校区机械楼502

主办单位：复杂系统多学科管理与控制安徽普通高校重点实验室

报告对象：全校感兴趣的老师和学生

报告摘要：实现铸件无损检测及缺陷定位任务是铸件工厂智能生产环节中的重要环节。虽然随着铸造技术的提升以及智能技术在生产过程中的应用使得生产良品率不断提升，但在铸件的生产制造过程中，任何一个生产步骤的失误都可能导致铸件产生缺陷从而直接影响铸件的性能和寿命，在完成铸件的铸造后必须要进行缺陷检测排除带有缺陷的铸件，因此缺陷检测作为最后一道防线是十分必要的。目前对于铸件表面缺陷检测包括人工检测、机械装置接触检测法、机器视觉检测法。人工检测的检测准确率受限于检测人员的工作经验，且检测人员无法长时间工作以及实时记录铸件缺陷，无法满足工业实际生产中所需的精度和效率。机械装置接触检测法在精度上虽能满足生产的需要，但存在检测设备价格昂贵，灵活性低、速度慢的问题。相较于上述两种方法，机器视觉具有检测速度快，精度高，部署性强等优点，近年来，随着GPU算力取得了显著提升，由于神经网络具有学习能力强，可迁移度高，使用神经网络进行缺陷检测已经得到了广泛应用。

本报告研究基于锚框的目标检测网络YOLOv5直接用于铸件缺陷检测存在精度低和效率低下的问题，提出了一种改进YOLOv5轻量级铸件表面缺陷检测算法，基于自建的铸件表面缺陷数据集，使用Kmeans++算法对数据集进行聚类生成锚框参数，使用SIoU损失函数替换原始损失，并融合改进的Improved-CBAM注意力机制，提升了算法对小目标物体的检测能力，使得模型具有更高检测精度的同时避免复杂背景干扰等问题。

报告人简介：张卉，博士研究生在读，主要从事冶金智能制造、机器人控制与轨迹规划、深度学习等研究工作。现任安徽工业大学创新教育学院创新实践部主任，在国内外学术期刊上发表学术论文二十余篇，授权发明专利3项。主要参与国家重点研发计划项目1项、安徽省中央引导地方科技发展专项项目1项、安徽省重点研发计划项目-对外科技合作项目1项，主持校青年基金1项。