基于深度学习的磁瓦表面孔洞和裂纹缺陷识别

发布时间：2021-08-29 00:49

　　针对磁瓦表面孔洞和裂纹缺陷识别效率低、误检及漏检率高等问题,提出基于深度学习的缺陷检测识别方法。先将缺陷区与非缺陷区进行分割,用整合型Unet提高分割精度,该模型在编码部分使用Inception模块,增强特征提取能力,在解码部分引入注意力机制,提高缺陷区域关注度;后将分割的图像与原图进行"与"运算,得缺陷灰度图;最后构建一个分类卷积神经网络对提取到的缺陷灰度图进行缺陷种类识别。结果表明:整合型Unet的分割性能强于Unet和Segnet,能有效分割缺陷,分类卷积神经网络对提取的缺陷区图像识别准确率达97.5%,满足磁瓦表面孔洞和裂纹缺陷识别要求。 

【文章来源】：兵器材料科学与工程. 2020,43(06)北大核心CSCD

【文章页数】：7 页

【部分图文】：

Inception模块对比

整合型Unet结构

式中σ2为Sigmoid激活函数。最后，将低级特征矩阵xl与注意力权值矩阵α相乘可得新的输出矩阵，由于训练后，目标区权值更接近1，而非目标的背景区域权值更小更接近0，因此输出矩阵中的目标区域值变大，而非目标背景区值变小，进而降低非目标区干扰，提高分割精度。1.1.3 损失函数

【参考文献】：
期刊论文
[1]改进U-Net网络的肺结节分割方法[J]. 钟思华,郭兴明,郑伊能.  计算机工程与应用. 2020(17)
[2]基于非下采样Shearlet变换的磁瓦表面裂纹检测[J]. 杨成立,殷鸣,蒋红海,向召伟,殷国富.  农业机械学报. 2017(03)
[3]基于纹理特征的磁瓦表面缺陷提取[J]. 刘国平,胡环星,胡瑢华.  现代制造工程. 2015(07)
[4]我国永磁铁氧体产业发展现状与前景[J]. 翁兴园.  新材料产业. 2013(04)

硕士论文
[1]基于机器视觉的钢板表面缺陷识别研究[D]. 胡联亭.武汉科技大学 2018
[2]基于机器视觉的磁瓦表面缺陷检测系统[D]. 孙海涛.安徽工业大学 2016



本文编号：3369561