基于迁移学习和特征重用的MIM齿轮缺陷检测*

赵 桐,雷保珍,,王训伟,齐广浩

(1.北京联合大学 北京市信息服务工程重点实验室,北京 100101;2.北京联合大学 北京市智能机械创新设计服务工程技术研究中心,北京 100101)

0 引 言

金属注射成型(metal injection molding,MIM)是一种将金属粉末与其粘结剂的增塑混合料经过注射、烧结等工艺得到成品的一种新型近净成形技术,具有常规粉末冶金、机加工和精密铸造方法无法比拟的优势。同时在运输和生产中也会有一些特有的工艺缺陷,如划痕、变形等,不仅对工件的性能造成影响,还会降低零件的使用寿命。MIM工业生产零件批量大、尺寸小的工艺特点也让其缺陷检测变得极其困难。因此,快速、准确检测MIM零件缺陷的方法在工业中显得尤为重要。

近年来,随着人工智能的飞速发展,卷积神经网络(convolutional neural network,CNN)被应用到各个领域当中。吴涛等人[1]利用K-means++算法确定先验框,基于YOLOV3[2]检测架构构建一种改进的轻量级网络,对绝缘子的检测准确率达到近90 %。谷静等人[3]利用密集连接网络(DenseNet)对焊缝缺陷进行检测识别,并在相同的数据集和训练步数下,与最小二乘支持向量机(least square support vector machine,LS-SVM)[4]与卷积神经网络LeNet算法对比,DenseNet网络提高了模型泛化能力与识别准确率,对焊缝缺陷的识别准确率可达98.969 %。宋念龙等人[5]在涂布的缺陷检测的应用上设计了一种卷积神经网络,模型的识别率可达92 %。卷积神经网络也被广泛应用到林业[6]、铁路[7]等方向。

本文通过研究DenseNet算法,对特征重用层进行改进,轻量化网络结构,提高网络运行效率,并针对训练集数据量小、检测率低问题,用大数据集进行迁移学习完成特征提取层构造,再用小数据集进行分类器的再训练,为MIM零件缺陷检测提供了更高效准确的方法。……