基于遷移學習的磁瓦缺陷分類方法

李昊璇， 劉海峽

(山西大學 物理電子工程學院， 山西 太原 030006)

0 引 言

隨著自動化技術的快速發展， 磁瓦在永磁電機中的應用越來越普遍， 對相關產品的性能起著重要的作用[1]. 由于冶金技術沒有達到標準化程度， 磁瓦在生產過程中不可避免地會產生各種缺陷， 這些缺陷會導致磁瓦剩余磁感應強度、 磁能量以及抗老化等功能受到影響. 因此， 表面缺陷檢測過程的自動化已成為磁瓦行業的一項緊迫任務. 目前， 磁瓦表面的缺陷主要由經驗豐富的檢測人員來評估， 由于檢測人員長時間的肉眼觀察會導致視覺疲勞， 會產生檢測結果不穩定和一定的漏檢或誤檢， 不適合大規模的工業生產[2]. 近年來， 圖像處理技術和機器視覺技術在表面缺陷檢測領域得到了廣泛的應用， 對解決磁瓦缺陷的分類識別有重大意義， 并已在大規模工業生產試驗中得到了實踐.

蔣紅海等[3]使用快速離散余弦變換(Fast Discrete Curvelet Transform, FDCT)提取特征， 并用支持向量機(Support Vector Machine, SVM)分類器進行缺陷分類， 結果顯示， 分類正確率可達到83%. Huang等[4]提出了一種局部感受野的極限學習機(Local Receptive Fields Based Extreme Learning Machine, ELM-LRF)方法， 應用于磁瓦表面缺陷檢測分類， 將局部感受野概念引入到極限學習機(Extreme Learning Machine, ELM)算法中， 有效提高了缺陷檢測的準確性. 傳統表面缺陷檢測算法通過人為提取特征難以實現較高的檢測精度， 劉暢等[5]針對此問題提出一種改進的Unet模型磁瓦缺陷檢測識別算法， 檢測正確率達到了94%. Huang等[6]提出一種實時多模塊神經網絡模型， 該模型可以實……