ACSR-VISION

Intelligent Inspection System

钢芯铝绞线智能质检系统

Initializing AI Engine

重新定义 钢芯铝绞线质检

基于YOLOv11深度学习模型,实现钢芯铝绞线7种缺陷类型的精准识别,mAP达84.2%,助力电力行业智能化升级

84.2%
mAP精度
7
缺陷类型
70
训练轮次
缺陷检测

支持7种缺陷类型识别

基于YOLOv11模型训练,精准识别钢芯铝绞线常见缺陷

01

断股

检测钢芯铝绞线中的断裂股线,识别导线结构性损伤

02

焊接股

识别异常焊接点,检测焊接质量问题

03

弯曲股

检测股线弯曲变形,识别机械应力损伤

04

划痕

识别表面划痕损伤,检测外护层完整性

05

压伤

检测外力压迫造成的变形损伤

06

散股

识别股线松散分离,检测绞合结构异常

技术支持与合作

84.2%
mAP检测精度
7
缺陷类型识别
70
模型训练轮次
0.25
置信度阈值
检测流程

简单四步完成质检

1

上传图像

拖放或选择钢芯铝绞线图像文件

2

AI分析

YOLOv11模型自动检测缺陷

3

结果标注

缺陷位置精准框选标注

4

生成报告

输出质检结论与详细数据

应用场景

多场景智能质检方案

生产线质检

实时检测生产线上的钢芯铝绞线质量

入库检验

原材料入库前的批量质量检测

出厂检测

产品出厂前的最终质量把关

基于YOLOv11
深度学习模型

采用Ultralytics最新YOLOv11目标检测算法,经过70轮专业训练,在钢芯铝绞线缺陷检测场景达到84.2% mAP精度

YOLOv11n轻量模型

模型体积小,支持快速推理部署

70轮专业训练

基于真实钢芯铝绞线缺陷数据集训练优化

84.2% mAP精度

在测试集上达到业界领先检测精度

Flask Web服务

RESTful API接口,易于集成部署

# 检测API调用示例
import requests

response = requests.post(
    "acsr-landing.html/detect",
    files={"image": open("cable.jpg", "rb")}
)

result = response.json()
# 返回结果示例:
# {
#   "conclusion": "不合格",
#   "defect_count": 2,
#   "detections": [
#     {"class_name": "断股", "confidence": 92.5},
#     {"class_name": "划痕", "confidence": 87.3}
#   ]
# }

开启智能质检新时代

上传钢芯铝绞线图像,即刻体验AI缺陷检测

立即体验