Ein zweistufiges schwach überwachtetes Framework zur Erkennung von Endflächenfehlern in Wellenmetallteilen

In der Produktion von Wellenmetallteilen ist die genaue Erkennung von Endflächenfehlern entscheidend, um eine ordnungsgemäße Montage und Betriebssicherheit zu gewährleisten. In den frühen Produktionsphasen stellen jedoch die extrem niedrige Häufigkeit von Fehlern, die Knappheit an verfügbaren Fehlerproben sowie die hohen Kosten und der Zeitaufwand für die manuelle Datenkennzeichnung erhebliche Herausforderungen für traditionelle überwachte Lernmethoden dar. Um diese Probleme zu lösen, schlägt dieses Papier ein zweistufiges schwach überwachtetes Fehlererkennungs-Framework vor, das auf der Endfläche von Wellenkomponenten fokussiert ist. In der ersten Phase wird ein unüberwachtes Anomalieerkennungsmodell (URS-AD) eingesetzt, um die Mehrheit der anomalien Regionen auf der Metalloberfläche zu identifizieren. Diese Methode erreicht eine Erkennungsrate von 99,2 % bei einer falsch-positiven Rate von 1,6 % und AUROC-Werte von 0,986 auf Pixelebene und 0,937 auf Bildebene. In der zweiten Phase werden Regionen mit ähnlichen anomalien Merkmalen mithilfe von Mean Shift-Cluster-Algorithmen in Fehlerkategorien gruppiert, um Pseudolabels zu generieren. Diese Pseudolabels werden dann verwendet, um ein verbessertes UNet-Modell zur feinen Segmentierung von Fehlern in einem überwachten Lern-Framework zu trainieren. Die experimentellen Ergebnisse zeigen, dass das verbesserte UNet-Modell die Vergleichsmethoden in der Segmentierungsleistung auf ungenau gekennzeichneten Daten übertrifft, mit Erhöhungen von 4,7 % im Mean IoU und 6,4 % im Dice-Koeffizienten. Das vorgeschlagene zweistufige Framework bietet eine praktische und effektive Lösung zur Überwindung der Herausforderungen begrenzter Proben und kostspieliger Kennzeichnung in der frühen Erkennung von Endflächenfehlern bei Wellenmetallteilen.