YOLOv5改进策略|YOLO模型优化|YOLOv5微观结构中识别出孔隙、粉末颗 粒或 GB 等缺陷

订阅专栏后私信(留下联系方式)获取完整源码+远程部署

目录

简介

ML方法和优化

 分类器 CNN 和回归 CNN

 ML 编码器-解码器网络:U-Net 和 Res-UNet

　深度仿真器网络搜索 (DENSE)

简单 - UNet，和密集 - UNet

 YOLOv5

谷歌 Colab 和 Pytorch

微观结构特征表征

 训练数据和增强过程

结果与讨论

 训练参数和 GPU 使用情况

 框架在不同微观结构上的输出 4.2.1.粉末颗粒和孔隙

ML 编码器-解码器训练时间和准确性

集成框架与 PSILM 的时间性能

 涉及多个缺陷的微观结构案例

结论

---

简介

在过去的十年中，金属材料的增材制造已应用于航空航天火箭部件、汽⻋部件、生物医学 设备和基础设施部件[1-4]。增材制造 (AM) 部件的微观结构决定了其机械性能，与制造工艺本 身有着内在的联系。例如，粉末的尺寸分布和形貌颗粒对于使用粉末床熔融 (PBF) 制造的部件的机械性能起着重要作用。这些粉末颗粒不仅会导 致导热性和能量吸收的变化，还会影响最终构建部件的孔隙率、表面