基于深度学习的线圈炮缺陷自动检测与分类

摘要

线圈炮的管道内壁长期工作在高温、高压及强电磁作用下,容易形成多种烧蚀疵病而使线圈炮效能、安全及服役寿命降低,而人工检测缺陷效率低下。针对此问题,本文提出基于深度学习来实现线圈炮缺陷的自动检测与分类。首先采用双边滤波算法进行样本图像增强,降低噪声对成像的影响,并基于单样本几何变换的数据增强策略扩充样本数量,提高模型的适应性。然后比较了Alexnet、VGG16和Resnet18这三种经典深度卷积神经网络模型的性能,结果表明三个模型的平均类识别率分别为94.8%、94.5%和94.5%,单张图像缺陷检出率分别为94.1%、93.3%和94.7%,三者的结果相差不大。但在对480张测试集图像预测的花费总时间上,Alexnet仅需要0.32秒即可完成全部预测,远远少于VGG16和Resnet18所花费的时间,二者分别用时9.19秒和11.04秒。随后引入了Grad-CAM表征每个像素对该类图像的重要程度,结果显示模型对图像缺陷区域更敏感。最后基于C#语言开发了能自动化完成模型训练与缺陷分类的软件,大大提高了检测效率。