摘要
随着传统制造业不断进行产业转型和升级，电机在工业产品生产制造中需求量日益剧多，而磁瓦是电机重要的组成元件之一，其质量会对电机的质量和性能产生巨大影响。因此，如何实现缺陷磁瓦的缺陷种类检测以及位置定位，并在满足工业生产检测速度要求的同时，提高磁瓦表面缺陷检测的准确率，是磁瓦工业生产过程中急需解决的问题。 本文通过对工业场景应用背景下的磁瓦表面缺陷检测需求分析，以及对目前磁瓦缺陷检测技术的研究思考，充分说明基于深度学习的检测算法对于磁瓦表面的缺陷检测具有良好效果与巨大应用前景，并在此基础上进一步挖掘深度学习检测算法在磁瓦缺陷检测上的优化方向。本文提出的改进算法对磁瓦缺陷检测的准确率要优于其他主流检测算法，并能达到工业实时检测的要求。由此，本文研究内容与创新点包括以下几部分: 一、本文针对磁瓦表面五种缺陷类型进行检测数据集的构建，包括气孔、断裂、不均匀、裂纹以及磨损。为提高后续检测算法的检测效果，对数据集图像进行图像预处理操作，即通过稀疏表示去噪来提高数据集图像的整体质量，以此为基础进行数据集的扩充，并利用Labelimg标注工具进行数据集的标注。 二、通过对主流的缺陷检测算法分析，以及结合磁瓦表面缺陷特点和工业生产的实际需求，选取应用在磁瓦缺陷数据集上检测效果较优的YOLOv5算法模型，并对其进行网络结构的优化，优化的内容主要包括以下几点:通过融入Ghost模块、并行注意力机制以及Transformer中的多头自注意力结构对主干网络进行优化改进，进一步降低网络模型的计算量，强化重要信息特征;对特征融合层，设计多尺度特征融合结构LB-FPN替换原有PANet结构，提高特征融合层对全局信息和局部语义信息的融合能力，进而提高检测效果。 三、利用Python语言和React框架开发磁瓦缺陷检测系统，实现磁瓦检测的可视化与性能的测试验证，具体包括数据输入模块、预处理模块、缺陷检测模块以及缺陷数据可视化分析模块等。 实验结果可知，本文提出的基于YOLOv5改进算法在磁瓦缺陷数据集上的准确率为96.88％,检测速度为39fps。本文提出的检测算法对磁瓦表面缺陷检测具有较好的效果，能够满足工业生产的需求。
NETL