企业官网建设流程全解析

点击蓝字

关注我们

关注并星标

从此不迷路

计算机视觉研究院

公众号ID｜计算机视觉研究院

学习群｜扫码在主页获取加入方式

https://pmc.ncbi.nlm.nih.gov/articles/PMC12575604/pdf/41597_2025_Article_6007.pdf

计算机视觉研究院专栏

Column of Computer Vision Institute

本文提出全球首个面向砂型铸造浇口 / 冒口分割的综合图像数据集，融合真实拍摄、3D 合成、数据增强三类图像，已开源至 Kaggle，直接为工业图像分割模型训练提供 “现成弹药”。

PART/1

痛点

行业困局：HMLV 铸造厂的自动化拦路虎

1. 劳动力危机：美国 2030 年预计 210 万制造岗位空缺，铸造行业人才断层严重，人工成本持续攀升；
2. 工艺痛点：多品种小批量模式下，零件形状、浇口 / 冒口位置无统一标准，人工切割无法规模化，传统自动化设备难以适配；
3. 数据空白：工业场景缺乏专用的砂铸分割标注数据集，AI 模型无高质量数据支撑，分割精度始终上不去。

PART/2

数据集

数据集构建：三位一体的工业视觉数据体系

研究团队打造真实图像 + 合成图像 + 增强图像三维数据集，总计 3240 张标注图像，全面覆盖砂铸场景的 variability。

1.铸件样本制备：3D 打印简易铸件模具，采用 6061 铝合金浇筑 30 个差异化样本；

砂型铸造制作流程

2.真实图像采集：用 Arduino 相机 + 3D 打印转台，360° 每 20° 拍摄，单样本 36 张图，共生成 1080 张真实相机图；

图像采集装置

3.3D 扫描选型：优选 Einscan Pro HD 白光扫描仪，1 分钟完成高精度扫描，效率远超同类设备；

3D 扫描仪工作图

4.合成与增强：通过 Blender 渲染生成 1080 张合成图、1080 张增强图，统一铝材质感保证视觉一致性；

5.精准标注：用 Roboflow 平台标注零件、浇口、冒口三类目标，生成 YOLO 格式分割掩码。

Roboflow 标注示例

PART/3

实验

质量核验：四大指标锚定数据可靠性

为验证数据有效性，团队用 4 大核心指标量化图像质量，同时通过颜色空间变换（CST）提升数据鲁棒性：

1. 香农熵：衡量图像信息含量，真实图信息丰富度最优；
2. GLCM 纹理特征：评估对比度、能量、均匀性等纹理属性；
3. 固有维度（ID）：量化数据集整体复杂度；
4. SSIM 结构相似性：评估图像失真对结构信息的影响
   

不同失真类型的 SSIM 值

颜色空间变换示例

无颜色变换的图像质量对比

颜色空间变换后数据对比

核心结论：颜色空间变换能有效缩小真实图与合成 / 增强图的质量差距，让合成数据更适配工业 AI 模型训练。

PART/4

优势

实测出圈：合成数据训练效果媲美真实图

团队采用 YOLOv8、MaskRCNN 等主流分割模型测试，纯合成数据训练的模型 mAP@50 达 0.978，超越真实图训练效果，综合性能最优。

模型训练性能结果

开源福利（直接可用）

1. 数据集、转台控制代码、Blender 渲染脚本全开源至 Kaggle；

2. 标注格式兼容 YOLO、MaskRCNN 等主流框架，下载即训；

3. 完美适配 HMLV 铸造厂场景，快速落地浇口 / 冒口去除自动化。

结语

这份专用工业数据集，填补了砂型铸造图像分割的数据空白，为工业 4.0 背景下的小批量制造自动化提供了关键支撑。从数据到模型，再到现场落地，智能制造的最后一公里，终于有了可落地的解题思路。

有相关需求的你可以联系我们！

END

转载请联系本公众号获得授权

计算机视觉研究院学习群等你加入！

ABOUT

计算机视觉研究院

计算机视觉研究院主要涉及深度学习领域，主要致力于目标检测、目标跟踪、图像分割、OCR、模型量化、模型部署等研究方向。研究院每日分享最新的论文算法新框架，提供论文一键下载，并分享实战项目。研究院主要着重”技术研究“和“实践落地”。研究院会针对不同领域分享实践过程，让大家真正体会摆脱理论的真实场景，培养爱动手编程爱动脑思考的习惯！

往期推荐

🔗

• YOLO-TLA：一种基于 YOLOv5 的高效轻量级小目标检测模型

• ViT-YOLO：基于Transformer的用于目标检测的YOLO算法

• SSMA-YOLO：一种轻量级的 YOLO 模型，具备增强的特征提取与融合能力，适用于无人机航拍的船舶图像检测

• LUD-YOLO：一种用于无人机的新型轻量级目标检测网络

• Gold-YOLO：基于聚合与分配机制的高效目标检测器

• Drone-YOLO：一种有效的无人机图像目标检测

• 「无人机+AI」“空中城管”

• 无人机+AI：光伏巡检自动化解决方案

• 无人机视角下多类别船舶检测及数量统计
  

• 机场项目：解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题

• 2PCNet：昼夜无监督域自适应目标检测（附原代码）

• YOLO-S：小目标检测的轻量级、精确的类YOLO网络

• 大改Yolo框架 | 能源消耗极低的目标检测新框架（附论文下载）

• 改进的检测算法：用于高分辨率光学遥感图像目标检测