在碳中和越来越受全球共识后,铝制品在新能源所扮演的角色越来越重要.在工业应用,其表面瑕疵直接影响产品质量和使用寿命.传统的瑕疵检测方法依赖人工检查,效率低且容易受到主观因素的影响.为提升铝制品瑕疵检测的准确性和效率,本研究提出了一种基于改进版的AlxNet卷积神经网络(CNN)进行图像分类,构建了一个包含50000张铝制品表面图像的数据集,通过AlxNet网络从图像中提取特征并进行分类.实验结果显示,该方法在检测不同瑕疵类型时的分类准确率超过85%,显著优于传统人工检查.本研究表明,基于深度学习的AlxNet模型在铝制品瑕疵检测中具有较高的准确性和可靠性,可以有效支持工业生产中的质量控制.所提方法不仅提升了检测效率,也为铝制品质量管理提供了一种新的技术手段.
NETL
NSTL
万方数据
