Gdcp-yolo: mejorando la detección de defectos en la superficie de acero mediante un enfoque ligero de aprendizaje automático
Autores: Yuan, Zhaohui; Ning, Hao; Tang, Xiangyang; Yang, Zhengzhe
Idioma: Inglés
Editor: MDPI
Año: 2024
Acceso abierto
Artículo científico
2024
Gdcp-yolo: mejorando la detección de defectos en la superficie de acero mediante un enfoque ligero de aprendizaje automático
Categoría
Ingeniería y Tecnología
Subcategoría
Ingeniería Eléctrica y Electrónica
Palabras clave
Imperfecciones superficiales
Materiales de acero
Detección automatizada de defectos en acero
Modelo de aprendizaje profundo
GDCP-YOLO
Precisión de detección
Licencia
CC BY-SA – Atribución – Compartir Igual
Consultas: 41
Citaciones: Sin citaciones
Las imperfecciones superficiales en materiales de acero pueden degradar potencialmente la calidad y el rendimiento, aumentando así el riesgo de accidentes en aplicaciones de ingeniería. La inspección manual, aunque tradicional, es laboriosa y carece de consistencia. Sin embargo, los avances recientes en aprendizaje automático y visión por computadora han allanado el camino para la detección automatizada de defectos en acero, lo que proporciona una precisión y eficiencia superiores.
Descripción
Las imperfecciones superficiales en materiales de acero pueden degradar potencialmente la calidad y el rendimiento, aumentando así el riesgo de accidentes en aplicaciones de ingeniería. La inspección manual, aunque tradicional, es laboriosa y carece de consistencia. Sin embargo, los avances recientes en aprendizaje automático y visión por computadora han allanado el camino para la detección automatizada de defectos en acero, lo que proporciona una precisión y eficiencia superiores.