10.13873/J.1000-9787(2021)10-0129-03
基于迁移学习和特征重用的MIM齿轮缺陷检测
针对金属注射成型(MIM)工业生产零件由于缺陷细微导致的肉眼识别率低和人力资源耗费严重的问题,设计了一种基于卷积神经网络(CNN)的缺陷检测识别方法.利用迁移学习解决当前由于训练数据少而导致识别率低的问题,并提出了一种轻量化特征重用网络模型,对MIM工艺生产的小模数齿轮进行缺陷检测.实验结果表明:训练模型在MIM齿轮缺陷检测的准确率达到98%以上,可对零件实现快速、准确的检测,该检测识别技术可以应用于同类的零件制造业完成分类和检测任务,在工业上具有重要的研究价值和实践意义.
迁移学习;特征重用;卷积神经网络;缺陷检测
40
TP391(计算技术、计算机技术)
国家自然科学基金面上资助项目;北京市朝阳区协同创新项目
2021-10-13(万方平台首次上网日期,不代表论文的发表时间)
共4页
129-131,135