精密成形工程

作者：杨洪于, 朱旭东, 宋帅, 张嗣昌, 杨卫民

单位：1.北京化工大学 机电工程学院,北京 100029; <br>2.山东浪潮智能生产技术有限公司,济南 250101

关键词：注塑制品,缺陷检测,语义分割,半监督学习,Segment Anything Model（SAM2）,U-Net

目的 为提升深度学习方法在注塑制品缺陷检测过程中的准确性与鲁棒性,减少对高质量标注数据的依赖,构建了一种能够融合通用视觉知识与特定任务特征的缺陷检测方法。方法 利用SAM2从大规模自然图像数据中所学习的视觉先验知识,采用Adapter适配器实现高效的参数微调,以捕捉注塑制品缺陷的特定特征,同时,结合U-Net解码结构,实现对注塑制品缺陷区域的高精度语义分割。采用半监督辅助训练策略,引入无缺陷样本增强模型的泛化能力。结果 与现有主流分割方法相比,采用本文提出的缺陷检测方法显著提升了模型的分割性能。其中,mIoU指标提高了7.13%、Recall指标提高了7.87%、PA指标提高了0.67%、mPrecision指标提高了4.83%。结论 在缺陷样本稀缺的情况下,采用本文提出的SAM2与U-Net融合的缺陷检测模型和半监督辅助训练策略,显著提升了注塑制品缺陷检测的性能,减少了对高质量标注数据的依赖,该检测方法在塑料制品行业具有良好的应用价值。

来源：2026年第4期

《精密成形工程》期刊编辑部

查看精密成形工程杂志2026年第4期