计算机测量与控制．２０２３．３１（３）ＣｏｍｐｕｔｅｒＭｅａｓｕｒｅｍｅｎｔ＆Ｃｏｎｔｒｏｌ测试与故障诊断·３６·收稿日期：２０２２－０７－２０；修回日期：２０２２－０９－０１。基金项目：浙江省科技计划项目（２０１９Ｃ０１１１２３）；浙江省基础公益研究计划项目（ＬＧＧ１９Ｆ０３００１１）。作者简介：吴显德（１９７７－），男，贵州遵义人，硕士，高级工程师，主要从事缺陷检测，自动导航、交通信息化、大数据及人工智能等方向的研究。通讯作者：王宪保（１９７７－），男，山东菏泽人，博士，副教授，ＣＣＦ高级会员（１１６８８Ｓ），ＣＣＦ计算机应用专委会委员，主要从事神经网络、机器学习等方向的研究。引用格式：吴显德，陈科宇，周宝，等．基于深度学习的磁芯表面缺陷检测研究［Ｊ］．计算机测量与控制，２０２３，３１（３）：３６－４２．文章编号：１６７１－４５９８（２０２３）０３－００３６－０７ＤＯＩ：１０．１６５２６／ｊ．ｃｎｋｉ．１１－４７６２／ｔｐ．２０２３．０３．００６中图分类号：ＴＰ３文献标识码：Ａ基于深度学习的磁芯表面缺陷检测研究吴显德１，陈科宇２，周宝２，雷雅彧２，翁扬凯２，王宪保２（１．浙江华是科技股份有限公司，杭州３１１１００；２．浙江工业大学信息工程学院，杭州３１００２３）摘要：磁芯表面缺陷检测，是磁芯流水线上的关键一环；当前多种机器视觉检测方法已经被应用，但这些方法的准确性都依赖于提取的缺陷特征，有很强的专家性；而且针对不同的产品要重新设定特征，复用性低；基于深度学习的缺陷检测方法很好地克服上述问题，深度学习的准确性和训练数据的质量数量强相关；但在实际产品表面缺陷智能检测过程中，存在缺陷样本收集困难、样本不平衡、目标尺寸小和难以定位等问题；针对存在的这些问题进行了研究，提出了一种基于深度学习的图像增强和检测方法，首先利用结合高斯混合模型的深度卷积生成对抗网络生成磁芯缺陷图像，然后结合泊松融合方法产生增强的数据集，最后基于ＹＯＬＯ－ｖ３网络，实现了磁芯表面缺陷的智能检测；实验表明，该方法能够生成质量更高、缺陷更明显的图像，检测准确度提升了５．６％。关键词：磁芯；缺陷检测；深度卷积生成对抗网络；图像融合；深度学习ＲｅｓｅａｒｃｈｏｎＭａｇｎｅｔｉｃＣｏｒｅＳｕｒｆａｃ...
