个人卖家：
科技与几何感
创建于：2025-08-25
基于改进 YOLOv5 的 316L 不锈钢选择性激光熔化过程缺陷识别算法
￥299.00
| 使用环境 |
在金属增材制造领域，特别是选择性激光熔化（SLM）过程中，使用工业级超声波检测设备、硬度计、光学测量仪器等采集 316L 不锈钢样品的缺陷数据。数据采集环境为实验室或工业生产现场，样品通过 SLM 设备制造，使用 200W 光纤激光器，波长 1064nm，光斑直径 90μm。 |
| 使用对象 |
316L 不锈钢在选择性激光熔化过程中产生的缺陷，包括未熔合孔隙（LOF）、未熔粉末和匙孔等。 |
| 使用目的 |
准确识别 316L 不锈钢在选择性激光熔化过程中的小尺寸缺陷，提高增材制造零件的质量和可靠性，降低因缺陷导致的结构失效风险 |
| 输入数据 |
316L 不锈钢样品的缺陷图像，图像分辨率 640×480 像素。 |
| 输出数据 |
缺陷类型（未熔合孔隙、未熔粉末、匙孔）、缺陷位置坐标、缺陷尺寸信息。 |
| 硬件配置 |
CPU：AMD Ryzen 7 5700X 8 核处理器 @3.40GHz
GPU：NVIDIA GeForce RTX 2060 8GB
内存：16GB
数据采集设备：工业级超声波检测设备 |
| 样本获取 |
使用 RX-200 金相显微镜采集 316L 不锈钢样品的缺陷图像，共 436 张图像，图像大小为 640×480 像素。通过自适应对比度、旋转、平移和裁剪等方法对图像进行增强，最终扩展为 1451 张图像。将图像随机分为训练样本、验证样本和测试样本，其中 70% 为训练样本，20% 为验证样本，1 |
| 测试结果 |
在测试集上，改进的 YOLOv5 模型的平均精度（mAP）为 89.8%，比原始 YOLOv5 模型提高了 1.7%，并且在识别小尺寸缺陷方面表现出色，如匙孔缺陷的识别准确率从 83.2% 提高到 86.3%。 |
| 执行速度 |
28.8 帧 / 秒。 |
| 资源消耗 |
针对上述硬件配置，运行算法时，CPU 平均占用率约为 40% 50%，GPU 平均占用率约为 70% 80%，内存使用占比约 40% 50%，模型计算过程中产生的中间变量内存为约 1GB。 |
| 源码类型 |
Python 版本源码 |
| 文件大小 |
算法程序文件 50KB，权重文件 110.7MB。 |
| 相关备注 |
本算法基于改进的 YOLOv5 框架，通过增加小目标检测层、引入相似性注意力模块（SimAM）和空间分解卷积（SPD-Conv）模块，针对 316L 不锈钢选择性激光熔化过程中的缺陷识别进行了优化，能够有效解决小尺寸缺陷检测的难题，在保证检测精度的同时，模型计算资源消耗低，适合部署在工业检测设备上，具有较高的实用性和工业应用价值。 |
