為提升鐵氧體零件缺陷檢測的精度和自動化程度,提出一種基于卷積神經(jīng)網(wǎng)絡的鐵氧體零件裂縫檢測方法。根據(jù)鐵氧體零件的自身形狀特點,設計一種基于ResNet-18的四分類神經(jīng)網(wǎng)絡,通過9420張128×128分辨率的鐵氧體零件圖片對該網(wǎng)絡進行訓練,在驗證集上達到了97%的分類準確率。提出一種滑動子區(qū)域計分方法,與訓練好的神經(jīng)網(wǎng)絡模型結合,在測試集上可達到97.9%的檢測精度。驗證結果表明,該方法能夠檢測寬度在0.1 mm左右、長度超過0.2 mm的裂縫。 

【文章來源】：計算機工程與設計. 2020,41(11)北大核心

【文章頁數(shù)】：8 頁

【部分圖文】：

鐵氧體裂縫檢測流程

為提高模型性能，解決神經(jīng)網(wǎng)絡的過擬合問題，采用鏡像翻轉、加入隨機噪聲、隨機變化亮度、對比度和飽和度等方式對訓練集進行圖像增廣。其中，加入的隨機噪聲為高斯噪聲，它的概率密度函數(shù)服從高斯分布。最后對圖像進行標準化，將原始圖像中RGB三通道的像素值從[0,255]標準化到[0,1]之間，標準化的公式為

圖3展示了本研究設計的網(wǎng)絡框架。表1給出了網(wǎng)絡每一層的結構以及輸出特征圖大小。網(wǎng)絡的輸入為128×128×3的圖像，通過卷積層和4個殘差塊，到達平均池化層，將特征圖尺寸變?yōu)?×1×512，最后通過全連接層和Softmax層，輸出一個4×1的向量，向量中的4個元素分別對應該輸入圖像屬于背景區(qū)域、零件邊緣區(qū)域、零件完好區(qū)域和零件裂縫區(qū)域4個類別的概率大小，其中概率最大的元素即對應神經(jīng)網(wǎng)絡輸出的類別。2.1.1 卷積層


本文編號：3479229