基于隐私保护的无监督电机磁瓦表面缺陷检测研究

电机磁瓦是一种主要用在永磁电机上的瓦状磁铁,其表面缺陷检测是确保产品质量和电机性能的一个重要环节。因此,基于标准化流和卷积自编码器,构建了两阶段表面缺陷检测方法,同时采用联邦学习实现了在保护电机缺陷数据隐私的同时,对电机磁瓦表面缺陷进行高效检测。首先,利用预训练的编码器提取特征,将其作为标准化流分类网络的输入,并共享给解码器部分;然后,利用重构误差实现缺陷分割,利用联邦学习实现对数据的隐私保护。相比于有监督学习对缺陷样本的依赖,该方法在训练时只需正常样本,实现了无监督检测,摆脱了对缺陷样本的依赖。最后,在电机磁瓦表面缺陷数据集上验证了该方法的优越性。

机器视觉系统测量电机磁瓦尺寸失真的分析

介绍了机器视觉系统的基本结构及测试过程中遇到的尺寸失真的问题,在不同相机参数下进行电机磁瓦的图像采集,分析采集的图像质量,选取其中两组关键参数下相机采集的图像,对其进行图像的边缘分析,找出造成测量长度失真的原因,并提出了相应的解决方法.

基于多重注意力机制的电机磁瓦表面缺陷检测

在电机磁瓦生产中可能因生产工艺不可避免产生残次品从而影响电机质量,因此对电机磁瓦质量进行挑选,去除残次品,成为电机磁瓦生产中的必须工序。为解决传统图像处理检测能力弱、效率低且检测精准度低等问题,在ResNet-50的网络结构基础上,提出一种融合多重注意力机制残差网络的电机磁瓦缺陷检测网络模型。该目标检测网络结合卷积网络和注意力机制(Convolutional Block Attention Module,CBAM)构建了一种可以和网络进行端到端训练的非降维通道注意力和空间注意力串联模块,以建立特征之间的空间相关性,增强网络性能。在电机磁瓦数据集上的实验结果表明,改进的目标检测网络在电机磁瓦缺陷图像的全类别平均准确率mAP达到96.92%,所提算法的mAP值较原始ResNet-50网络算法提升了2.17%。验证了所提算法对电机磁瓦缺陷检测任务的有效性。