Speaker
思敏 崔
Description
高速X射线原位成像已被广泛应用于增材制造内部缺陷检测，为制造过程中缺陷演化的实时观测提供了有效手段。然而，该技术会产生海量图像数据，人工分析整个数据集内的缺陷演化过程不仅耗时费力，还易受主观误差影响，严重制约了缺陷检测的效率与准确性。为解决这一问题，本研究采用深度学习技术，实现铝合金增材制造过程中裂纹的智能检测与量化分析。以铝合金增材制造过程中产生的裂纹为研究对象，考虑到裂纹在整个画幅中的占比极小，且数据信噪比较低，直接分割会受到背景噪声的严重干扰，提出“先检测、后分割”的两步法方案：首先利用YOLO算法对裂纹进行检测，确定裂纹的感兴趣区域（ROI）；随后对该感兴趣区域进行剪裁，将剪裁后的数据输入自主构建的Crack-UNet++模型中，实现裂纹的精准分割；最后基于分割结果，对裂纹的长度、宽度等参数进行量化分析。该方法有效提升了裂纹检测的效率与准确性，解决了人工分析时间成本高、主观性强的问题，为铝合金增材制造零件的质量控制与工艺优化提供了技术支撑。本研究将在会议中详细阐述，包括模型构建过程、实验验证结果及应用前景。
