基于卷积神经网络的铁氧体零件裂缝检测

为提升铁氧体零件缺陷检测的精度和自动化程度,提出一种基于卷积神经网络的铁氧体零件裂缝检测方法。根据铁氧体零件的自身形状特点,设计一种基于ResNet-18的四分类神经网络,通过9420张128×128分辨率的铁氧体零件图片对该网络进行训练,在验证集上达到了97%的分类准确率。提出一种滑动子区域计分方法,与训练好的神经网络模型结合,在测试集上可达到97.9%的检测精度。验证结果表明,该方法能够检测宽度在0.1 mm左右、长度超过0.2 mm的裂缝。

基于编码器解码器的铁氧体零件缺陷检测

为了提升铁氧体零件缺陷检测的精度和自动化程度,本文使用了一种基于编码器解码器网络的铁氧体零件缺陷检测方法。根据铁氧体零件自身形状特点,设计了一种基于ResNet的编码器解码器网络,通过约800张600×600分辨率的铁氧体零件图像训练该网络,在验证集上像素分类准确率达到99.2%,平均交并比达到86.5%。该模型是一种端到端的网络,在测试阶段,通过模型推理,对零件的缺陷进行定位。该方法的检测精度可以达到5.8μm,满足工业检测的精度要求。