Sur l'application des modèles de détection d'objets basés sur YOLO pour classer et détecter les défauts dans le processus de déposition d'énergie dirigée par laser.

Résumé Réduire les défauts dans les composants fabriqués par ajout à l'aide du processus de Déposition d'Énergie Dirigée par Laser (L-DED) est essentiel pour garantir l'intégrité structurelle, la qualité de surface et les performances fonctionnelles. La première étape requise pour réduire les défauts dans les composants fabriqués par L-DED est l'identification et la compréhension des types de défauts par approche de détection d'objets. Cet article vise à utiliser des modèles de détection d'objets basés sur YOLO pour classifier et détecter les défauts dans les murs horizontaux, les murs verticaux, et les structures cuboïdes fabriquées à l'aide de diverses combinaisons de paramètres du processus L-DED. Les objectifs incluent l'entraînement, le test et la validation des modèles YOLOv7, YOLOv8, YOLOv9 et YOLOv9-GELAN sur un jeu de données indépendant de défauts tels que la formation de flash, les vides et la texture rugueuse, identifiant le meilleur modèle YOLO capable de détecter plusieurs défauts de petite et grande taille au sein d'une image unique et comparant les défauts capturés par le modèle YOLO avec ceux d'un modèle CNN conventionnel précédemment utilisé tel que VGG16. Les résultats ont révélé que YOLOv9-GELAN présentait de bons indicateurs de performance par rapport aux autres modèles YOLO. La tendance croissante pour mAP0.5:0.95 signifie que YOLOv9-GELAN est un bon choix pour la détection de défauts multiples dans une seule image. Il a également donné un mAP de 95,7%, une précision de 94%, un rappel de 96%, et un score F1 de 90%, indiquant une précision dans la localisation et la classification des défauts avec un minimum de faux positifs et négatifs. Ces valeurs élevées pour YOLOv9-GELAN indiquent sa capacité à mettre en évidence avec précision les défauts utilisant la boîte englobante par rapport au modèle VGG16 proposé précédemment. De plus, la capacité de YOLOv9-GELAN à traiter 62 images par seconde montre son potentiel pour un traitement de frames supérieur par rapport aux autres modèles YOLO. Cette recherche fera progresser le développement d'une surveillance des défauts in-situ basée sur l'IA pour le processus L-DED.