基于深度学习的磁瓦表面孔洞和裂纹缺陷识别

• 作者: 文喆皓 周敏
• 来源期刊: 兵器材料科学与工程
• 关键词: 磁瓦 整合型Unet 注意力机制 分割 提取 分类识别
• 年，卷（期）: 2020,（6）
• 所属期刊栏目: 检测、失效分析
• 页码范围: 106-112
• 页数: 7页
• 分类号: TP391
• 语种: 中文
• DOI: 10.14024/j.cnki.1004-244x.20201110.001

摘要

针对磁瓦表面孔洞和裂纹缺陷识别效率低、误检及漏检率高等问题,提出基于深度学习的缺陷检测识别方法.先将缺陷区与非缺陷区进行分割,用整合型Unet提高分割精度,该模型在编码部分使用Inception模块,增强特征提取能力,在解码部分引入注意力机制,提高缺陷区域关注度;后将分割的图像与原图进行"与"运算,得缺陷灰度图;最后构建一个分类卷积神经网络对提取到的缺陷灰度图进行缺陷种类识别.结果表明:整合型Unet的分割性能强于Unet和Seg-net,能有效分割缺陷,分类卷积神经网络对提取的缺陷区图像识别准确率达97.5％,满足磁瓦表面孔洞和裂纹缺陷识别要求.