面向 Industry 4.0 的物联网增强 CNN 基标签裂纹检测用于增材制造图像标注
计算机视觉与模式识别
2026-04-28 v1
摘要
本文提出了一种基于物联网的深度学习框架，用于增材制造（AM）表面自动裂纹检测。框架集成了物联网-enabled 实时监控、高分辨率成像和边缘计算，实现对制造过程中缺陷的连续就地检测与分类。实时数据获取支持即时基于 CNN 的分析，提高了 AM 质量控制中的准确性和效率。该框架支持监督学习和半监督学习，在大规模稀疏标注数据集上表现稳健。采用 LabelImg 进行标注、OpenCV 进行预处理，该系统在 14,982 张图像上实现 99.54% 的准确率，分别达到 96% 的精确率、98% 的召回率和 97% 的 F1 分数。数据集平衡与增强显著提升了泛化能力，将准确率从 32% 提升至 99%。除检测功能外，本框架建立了 AM 工艺参数、缺陷形成与表面拓扑之间的关联，支持预测分析和缺陷缓解。符合 Industry 4.0，框架集成数字孪生（DT）技术，用于实时过程仿真、预测性维护和自适应控制。关键贡献包括基于树莓派 4B 的物联网监控系统、采用模型量化和批处理的优化 CNN 推理延迟降低 47%，以及采用 5G 连接的 MQTT 低延迟数据流系统，降低传输开销 35%。DT 集成进一步实现预测性缺陷分析和动态 AM 参数调整。本工作为智能 AM 质量控制提供了可扩展、高精度且低延迟的框架。未来方向包括多模态数据融合、混合架构以及增强型数字孪生仿真，以实现 AI 驱动的缺陷预防。
引用
@article{arxiv.2604.22857,
title = {IoT-Enhanced CNN-Based Labelled Crack Detection for Additive Manufacturing Image Annotation in Industry 4.0},
author = {Mohsen Asghari Ilani and Yaser Mike Banad},
journal= {arXiv preprint arXiv:2604.22857},
year = {2026}
}
备注
6 Figures, 23 Pages