面向嵌入式平台磁瓦表面缺陷分类算法研究.pdfVIP

0


0





7PM

/P

QS





面向嵌入式平台磁瓦表面缺陷分类算法研究

曹风云,徐云峰

(合肥师范学院计算机与人工智能学院,安徽合肥230601)

[摘要]解决高速生产线上磁瓦表面缺陷的自动化、实时检测问题能够提升磁瓦产品质量和生产

效率。针对传统方法在准确性、实时性和资源消耗方面的限制,对比分析了轻量化模型,以适应资

源受限的嵌入式平台。针对嵌入式平台的性能和资源约束,对比分析了MobileNet-v2、ShuffleNet-

v2、GhostNet等轻量化网络模型检测表征磁瓦表面缺陷,在自建磁瓦表面缺陷数据集上通过动态调

整学习率等多样化参数微调,从准确率、训练耗时、召回率和精确度综合指标F等方面进行定量评

1

估。实验结果表明,轻量化深度学习模型在大幅度减少网络参数的同时,仍能达到较高的准确率且

适合在嵌入式设备中部署,其中ShuffleNet-v2在综合训练耗时、准确率等多方面表现突出。

[关键词]缺陷检测;迁移学习;模型轻量化;参数微调

[中图分类号]TP391.4[文献标志码]A[文章编号]2095-7602(2025)04-0062-11

0引言

磁瓦作为电机的关键组件之一,其表面的任何缺陷都会直接影响电机的性能和使用寿命。因此,在生产

过程中对磁瓦进行精确的缺陷检测是不可缺少的步骤。由于缺陷的形状不规则、亮度不一、对比度低以及背

景纹理的复杂性,现有的视觉检测模型常常出现漏检的问题,如何快速准确地检测和定位缺陷仍然存在巨大

挑战。近年来,建立有效的视觉检测分类模型对磁瓦表面缺陷类型进行分类备受关注。

对磁瓦表面缺陷分类问题的解决方案可分为传统图像处理结合机器学习和基于深度神经网络模型两大

类分类方法。其中传统方法主要集中在利用图像梯度边缘、阈值分割等进行特征提取,再结合机器学习分类

[1]

器进行缺陷分类。YAN等提出综合运用图像处理技术,通过分析缺陷区域特征和使用模板匹配模式识别

[2]

来确定磁瓦的质量水平。LÜ等提出了一种基于Contourlet变换的磁瓦表面缺陷检测方法,利用多智能视觉

[3]

技术检测磁瓦表面常见缺陷。DU等提出了一种基于机器视觉的磁瓦表面缺陷自动检测与分类方法,利用

[4]

扫描线梯度和改进支持向量机(SVM)分类方法对缺陷进行识别和提取。LI等提出了一种基于非下采样

Shearlet