| 使用环境 |
在铸件生产制造环节中，铸件表面易出现裂纹、气孔、划痕等缺陷，这些缺陷受铸件材料特性、生产环境等多重因素影响。检测环境需要适应工业生产中的复杂条件，如不同的光照强度、噪声干扰 |
| 使用对象 |
铸件表面的缺陷，包括夹杂类缺陷（砂眼）、收缩类缺陷（缩孔）、多肉类缺陷（飞边）、残缺类缺陷（机械造成的损伤）、裂纹类缺陷（裂痕）、孔洞类缺陷（气孔）、表面类缺陷 |
| 使用目的 |
准确检测铸件表面的各类缺陷，提高产品质量，缩短产品使用寿命，保障铸件生产线的安全运作，优化生产流程。 |
| 输入数据 |
铸件表面的图像帧，图像分辨率为640×640像素，以jpg格式存储。 |
| 输出数据 |
缺陷类型（砂眼、缩孔等）、缺陷位置坐标（以图像像素坐标表示）、置信度。 |
| 硬件配置 |
CPU：Intel Core i5 12490F
GPU：GeForce RTX 3070 8G
内存：16GB |
| 样本获取 |
通过对铸件表面缺陷数据集进行预处理，包括翻转、旋转、调色等操作，扩充样本图像数量。使用9-Mosaic数据增强方法，进一步丰富样本多样性。最终得到1863张训练集图像。 |
| 测试结果 |
改进后的CCD-YOLOv5模型在铸件表面缺陷检测任务中，准确率由78.2%提升至82.9%，召回率由74.3%提升至76.7%，mAP@0.5值由76.4%提升至81.0%。 |
| 执行速度 |
检测速度约为9.6ms/次 |
| 资源消耗 |
CPU：在多核CPU上，计算占比分别平均约50%、60%、70%、40% GPU：显存占用约6GB，显卡计算占比约80% 内存：使用占比约60% |
| 源码类型 |
本算法有Python版本源码，可提供授权使用。 |
| 文件大小 |
算法程序文件23K，权重文件150M。 |
| 相关备注 |
|
