基于多尺度卷积神经网络和类内mixup操作的磁瓦表面质量识别

张京爱，王江涛，2*

（1.淮北师范大学物理与电子信息学院，安徽淮北 235000；2.淮北师范大学信息学院，安徽淮北 235000）

0 引言

磁瓦是永磁体直流电机的核心部件之一，常用来代替传统的电励磁。据中国磁性材料及行业协会估计，2017 年我国对磁瓦的需求规模将达50 亿元以上，到2020 年该规模将达60 亿元。磁瓦产业已成为国民经济中一股重要的力量。在磁瓦生产过程中，由于生产工艺或者碰撞原因，不可避免地会产生残次品。因此对磁瓦质量进行挑选，剔除残次品，成为当前磁瓦生产中的必需工序。当前的残次品剔除主要依赖于人工进行，成本高，效率低，且人工易于疲劳，错检漏检现象时常发生。为了克服上述困难，提高磁瓦检测的效率和自动化水平，机器视觉技术［1-4］被引入到各类检测和识别应用中。

基于机器视觉技术的磁瓦检测可以分为两类：一类直接在图像的灰度空间中进行处理判断是否存在缺陷；另一类则首先对磁瓦图像进行某类变换，然后在此类变换下进行缺陷判断。胡浩等［5］在图像的灰度空间下，综合考虑了形状、纹理、边缘等特征，将磁瓦缺陷分为3 类，采用不同的特征组合来对三类缺陷进行检测。刘国平等［6］为了解决磁瓦表面灰度分布均匀、噪声较多等问题，从获取扫描行更稳定的灰度出发，提出下包络线灰度对比度来分割出缺陷区域。李雪琴等［7］则将磁瓦图像进行Contourlet 变换，以变换后得到的子带系数作为研究对象，通过对比确定是否存在缺陷。……