机床与液压

作者：金凯，周敏，胡佳乐，李欢，赵松怀

单位：武汉科技大学,冶金装备及其控制省部共建教育部重点实验室；武汉科技大学,机械传动与制造工程湖北省重点实验室；武汉科技大学精密制造研究院；武汉科技大学,冶金装备及其控制省部共建教育部重点实验室；武汉科技大学,机械传动与制造工程湖北省重点实验室；武汉科技大学精密制造研究院；武汉科技大学,冶金装备及其控制省部共建教育部重点实验室；武汉科技大学,机械传动与制造工程湖北省重点实验室；武汉科技大学精密制造研究院；武汉科技大学,冶金装备及其控制省部共建教育部重点实验室；武汉科技大学,机械传动与制造工程湖北省重点实验室；武汉科技大学精密制造研究院；武汉科技大学,冶金装备及其控制省部共建教育部重点实验室；武汉科技大学,机械传动与制造工程湖北省重点实验室；武汉科技大学精密制造研究院

关键词：3D打印;实时异常检测;YOLOv8n;动态蛇形卷积;小目标检测层

基金：国家自然科学基金面上项目(51975431)

针对3D打印过程中异常诊断实时性不足和准确度不高的问题，提出一种改进的YOLOv8n模型（DSW-YOLOv8n）。在骨干网络中引入动态蛇形卷积（DSConv），增强网络对3D打印中出现的拉丝等细长弯曲局部结构特征的提取能力。增加小目标检测层并融入SA注意力机制，提升对小目标的异常检测能力。针对3D打印实时捕获图像质量低的问题，引入动态调整边界的Wise-IoU（WIoUv3）损失函数，降低对距离和纵横比等几何因素的惩罚,从而提高检测精度。最后，通过搭建实验平台，对所提模型进行性能验证。结果表明：DSW-YOLOv8n模型对3D打印异常检测精度和速度均优于Faster R-CNN、SSD和YOLOv5s等主流检测方法，其精度均值（mAP）达到了90.3%，较原始YOLOv8n模型提高了2.8%，平均帧率达到113帧/s，满足实时检测需求。

来源：2025年第7期

《机床与液压》期刊编辑部

查看机床与液压杂志2025年第7期