基于ResNet的航空发动机制件表面缺陷分类研究

摘要

针对现有航空发动机制件缺陷分类所存在的检测效率低、适用范围有限等缺陷,提出了一种基于ResNet-18算法的缺陷分类方法。该算法使用深度残差网络提取缺陷特征,并通过修改网络结构适应于不同的缺陷种类。在实验过程中,首先对原始的钢带表面图像进行预处理,使用裁剪、旋转角度等方法扩增数据集。然后使用PyTorch深度学习框架搭建卷积神经网络模型,并将增强后的图片数据输入到模型中进行训练,实现对缺陷的分类。最后,使用东北大学钢带表面缺陷公共数据集进行训练与评估。本文算法在东北大学钢带表面缺陷公共训练集上的分类准确率为97.33%,在测试集上的准确率达到95.36%,为真实工业场景下缺陷的分类提供了可能。