基于深度学习的陶瓷零部件 OCT 检查中的缺陷分割
计算机视觉与模式识别
2025-10-02 v1
摘要
无损测试（NDT）是陶瓷制造中必不可少的技术，旨在确保组件质量而不损害其完整性。在此背景下，光学相干断层扫描（OCT）可实现高分辨率的内部成像，揭示包括孔洞、层间脱粘或杂质在内的缺陷。本文提出了一种基于深度学习（Deep Learning, DL）的自动缺陷检测系统，训练于带有手动分割注释的 OCT 图像上。开发基于 U-Net 架构的神经网络，评估多种实验配置以提升其性能。后处理技术使预测结果能够进行定量和定性评估。该系统表现出 0.979 的 Dice 评分，优于类似研究。每体积推理时间为 18.98 秒，支持其用于检测杂质，实现更高效、更可靠的自动化质量控制。
引用
@article{arxiv.2510.00745,
title = {Defect Segmentation in OCT scans of ceramic parts for non-destructive inspection using deep learning},
author = {Andrés Laveda-Martínez and Natalia P. García-de-la-Puente and Fernando García-Torres and Niels Møller Israelsen and Ole Bang and Dominik Brouczek and Niels Benson and Adrián Colomer and Valery Naranjo},
journal= {arXiv preprint arXiv:2510.00745},
year = {2025}
}
备注
12 pages, 3 figures, 4 tables. Paper accepted and presented at IDEAL 2025 Conference