基于深度学习的磁芯表面缺陷检测研究

• 作者: 吴显德 陈科宇 周宝 雷雅彧 翁扬凯 王宪保
• 来源期刊: 计算机测量与控制
• 关键词: 磁芯 缺陷检测 深度卷积生成对抗网络 图像融合 深度学习
• 年，卷（期）: 2023,（3）
• 所属期刊栏目: 测试与故障诊断
• 页码范围: 36-42
• 页数: 7页
• 语种: 中文
• DOI: 10.16526/j.cnki.11-4762/tp.2023.03.006

摘要

磁芯表面缺陷检测，是磁芯流水线上的关键一环；当前多种机器视觉检测方法已经被应用，但这些方法的准确性都依赖于提取的缺陷特征，有很强的专家性；而且针对不同的产品要重新设定特征，复用性低；基于深度学习的缺陷检测方法很好地克服上述问题，深度学习的准确性和训练数据的质量数量强相关；但在实际产品表面缺陷智能检测过程中，存在缺陷样本收集困难、样本不平衡、目标尺寸小和难以定位等问题；针对存在的这些问题进行了研究，提出了一种基于深度学习的图像增强和检测方法，首先利用结合高斯混合模型的深度卷积生成对抗网络生成磁芯缺陷图像，然后结合泊松融合方法产生增强的数据集，最后基于YOLO-v3网络，实现了磁芯表面缺陷的智能检测；实验表明，该方法能够生成质量更高、缺陷更明显的图像，检测准确度提升了5.6%。