论文部分内容阅读
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。