Para resolver o problema de baixa precisão e dificuldade na medição de dimensões na detecção de pequenos defeitos superficiais em peças de manufatura aditiva, foi proposto um método de detecção de defeitos baseado no modelo YOLO v8 aprimorado. Um módulo eficiente de atenção de canal foi introduzido na cabeça de detecção do modelo YOLOv8, enquanto a função de perda original foi substituída por uma função de perda de interseção sobre união ponderada, reduzindo o impacto de amostras de baixa qualidade e melhorando a precisão da detecção. Para enfrentar a dificuldade de treinamento com conjuntos de dados de imagens de alta resolução e evitar o sobreajuste, durante a fase de treinamento o conjunto foi gerado cortando características locais que contêm defeitos-alvo com base no centro. Na fase de inferência, o método de janela deslizante foi utilizado para recortar imagens de alta resolução em um conjunto de imagens pequenas para predição, obtendo blocos de imagens com defeitos. Os blocos de imagens detectados foram considerados regiões de interesse, e a medição precisa do tamanho dos defeitos foi realizada por meio de métodos de detecção de bordas em visão computacional. Os experimentos demonstraram que o modelo aprimorado alcançou precisão de 94,3%, recall de 93,3%, mAP50 de 97,3%, e precisão na medição do tamanho dos defeitos de até 40 μm, melhorando significativamente a precisão na detecção de defeitos superficiais em peças de manufatura aditiva.

medição precisa;visão computacional;aprendizado profundo;detecção de defeitos;imagens em alta resolução