基于边缘AI的焊缝X射线图像缺陷检测
为了提高深度学习在X射线焊缝缺陷检测中的实用性,降低缺陷检测任务的硬件需求,提出模型参数量仅为3.6?M的YOLO-M网络.?通过在网络中引入轻量级的倒残差结构,减少网络计算量;采用多尺度预测机制,网络分层预测不同缺陷特征;跨网格扩增图片正样本信息,加快网络训练过程中的收敛速度.?结果表明,YOLO-M网络不仅应用于传统计算机,而且成功试验于超低功耗边缘人工智能芯片勘智K210中.?所提方法在嵌入式端的检测准确度为93.5％,检测速度为11帧/s.?该方法具有良好的检测准确度,极大降低了缺陷检测的成本.创新点:?(1)轻量级的焊缝缺陷识别网络,精准识别焊缝缺陷,具有较少的模型参数和较快的推理速度. (2)在低功耗边缘智能设备上完成焊缝缺陷识别任务,极大降低了自动质检工作的成本.
缺陷检测、深度学习、轻量化、嵌入式设备
43
TG441(焊接、金属切割及金属粘接)
国家自然科学基金62073118
2022-04-08（万方平台首次上网日期，不代表论文的发表时间）
共6页
79-84
