基于IDACL深度度量学习的零件表面缺陷检测

针对深度度量学习模型应用于机械零件表面缺陷检测存在易受噪声标签干扰、训练时间长、分类精度不高等问题,提出了一种基于改进深度注意中心损失(IDACL)的深度度量学习方法.首先,用O2U-Net模型对样本数据进行清洗,减少噪声样本对模型训练的影响;然后,将O2U-Net模型参数迁移至深度度量学习模型,并提取各类样本中心作为深度注意中心损失的初始类中心;最后,根据样本点与类中心的距离设置权重以优化损失函数,提高模型的分类精度.中间壳体零件表面缺陷的实验结果表明,提出的方法相较其他方法具有更快的训练速度和更高的检测精度.