강화된 딥러닝 프레임워크를 사용한 평면 표면의 손상 전조 자동 탐지

금속 적층 제조(AM) 부품에서 손상 전조를 탐지하는 것은 산업 품질 보증에 있어 중요한 도전 과제가 되며, 특히 기존 광학 검사 방법의 성능을 크게 저하시키는 고반사 표면에서 더욱 그렇습니다. 작은 결함 인식 및 환경 강건성의 지속적인 문제를 해결하기 위해, 본 연구에서는 편광 이미징과 최적화된 딥러닝 아키텍처를 융합하여 강화된 SOutlook-YOLOv11 프레임워크를 제안합니다. 제안된 모델은 다음 세 가지 주요 개선을 통해 기본 YOLOv11을 발전시킵니다: (1) 네트워크 전반에 걸쳐 전조 주의를 강화하기 위해 Outlook 주의를 내장한 C3K2-Outlook 모듈의 도입; (2) 다중 스케일 특징 융합 및 통합을 개선하기 위해 넥에 공간 적응형 특징 변조(SAFM) 모듈 삽입; (3) 경미한 손상 전조에 대한 경계 상자 위치 정확도 및 탐지 신뢰도를 높이기 위해 CIoU 손실을 Inner-CIoU 손실 함수로 대체. 실험 결과는 제안된 모델이 기본 YOLOv11을 상당히 능가하며, 정밀도 4.2%, 재현율 0.8%, mAP@50에서 1.9%의 증가를 달성함을 보여줍니다. 특히, 재현율은 0.937에 도달하여 손상 전조 식별에 있어 모델의 높은 신뢰성을 확인합니다. 이 작업은 광학 물리학과 딥러닝을 연결하는 새로운 전략을 제시하며, 고정밀 적층 제조 시스템에서 품질 검사를 위한 보다 신뢰할 수 있고 지능적인 솔루션을 제공합니다.