基于改进U-Net的凸轮轴裂纹荧光磁粉图像语义分割方法

何 婷婷1, 何 宇涵1, 林 远生2
1、重庆科创职业学院
2、重庆西源精密机械有限公司

摘要


针对汽车凸轮轴在生产过程中产生的微细裂纹难以检测，且传统荧光磁粉检测依赖人工、效率低下、易受
伪影干扰的问题，提出一种基于改进U-Net图像语义分割方法。首先，构建荧光磁粉图像采集平台，获取凸轮轴表
面裂纹数据集；其次，在U-Net编码器中引入卷积块CBAM注意力机制，以增强模型对裂纹区域的特征响应并抑
制复杂背景噪声；最后，结合Dice损失与Focal损失的混合损失函数，解决裂纹像素类别不平衡问题[1]。实验结果表
明，该方法在自建凸轮轴裂纹数据集上的平均交并比（mIoU）达到85.3%，裂纹识别准确率为96.2%，单张图像检测
速度为28ms，满足了产线实时性与高精度需求，显著优于传统图像处理算法与基线U-Net模型。

关键词


凸轮轴裂纹；荧光磁粉检测；U-Net图像语义分割方法；CBAM注意力机制

全文:

PDF


参考


[1]卢菱.基于注意力机制与多模态U-Net神经网络

的医学影像分割算法[D].江西：南昌大学，2024.

[2]白子斌.基于U-Net改进模型的辽宁省农村地类

无人机正射影像自动识别方法[J].测绘通报，2025（S1）：

155-159.

[3]MSreejam,LAgilandeeswari.Deepmultimodal

unmixingofhyperspectralimagesusingConvolutionalBlock

AttentionModule(CBAM)andLiDARfeatures[J].The

EgyptianJournalofRemoteSensingandSpaceSciences,

2025,28(4):666-680.

[4]梁富强程艳艳刘翠芳.改进FasterR-CNN

下齿轮内部磨削裂纹图像检测[J/OL].机械设计与制造，

2026.

[5]黄健，张钢.深度卷积神经网络的目标检测算法

综述[J].计算机工程与应用.2020，56（17）：12-23.

[6]马俊光，文峰，殷向阳.基于支持集特征增强的

MetaFasterR-CNN小样本目标检测[J].沈阳理工大学学

报.2025，44（02）：48-54.

[7][任浩源.基于YOLOv5的汽车零部件疲劳裂纹识

别方法研究[J].上海汽车.2022（08）：43-46.




DOI: http://dx.doi.org/10.12361/2661-3654-08-03-160446

Refbacks

  • 当前没有refback。