基于深度学习的磁环表面缺陷检测算法

在磁环的生产制造过程中，常常由于生产环境、制造工艺等因素，难免会使磁环表面出现各种类型的缺陷。针对传统人工检测低效、耗时、检测精度低的缺点，本文提出了一种基于YOLOv3的磁环表面缺陷检测方法。实验结果表明，YOLOv3的平均识别精度达到了96.19%，单张图片检测速度达到了24.46 ms，该方法在磁环缺陷检测上有一定的先进性和有效性。

磁环是呈圆柱形的径向磁体，生活中广泛应用在电子定时器、汽车制造以及仪表器件等行业的各类电器装置，它的质量直接影响所在装置的性能。但是在目前的生产过程中，由于原料组成、加工工艺和设备条件的影响，磁环表面不可避免地会出现一些加工缺陷，如缺口、污点等，这些缺陷会影响到磁环的使用寿命和性能。目前，磁环表面一些常见的缺陷主要由有一定经验的工人检测，用肉眼观察磁环的表面是否有缺陷。这种检测方法效率低，容易出现视觉疲劳，造成误差[1]。

为了克服人工缺陷检测的不足，很多人提出了各种表面缺陷检测方法，可以分为两类：传统的机器视觉检测方法和深度学习检测方法。李雪琴等[2]提出了一种非下采样轮廓域自适应阈值表面的磁瓦缺陷自动检测方法。林丽君等[3]提出了一种结合图像加权信息熵和小波模极大值的磁瓦表面裂纹检测算法。

这些方法对于特定缺陷具有速度快、精度高的优点，但受光照和人工的影响较大。

近年来，随着深度学习的广泛应用，已在目标检测[4]领域取得了一系列成果，在工业检测领域得到了很大的应用。目前，广泛应用的深度学习目标检测算法可分为单阶段检测算法和两阶段检测算法。单阶算法直接生成对象的类别概率和位置坐标值，其代表性算法为SSD [5]和YOLO [6] [7] [8]网络。两阶段算法将检测分为两个阶段，首先生成候选区域，然后对候选区域进行分类。代表性算法有R-CNN [9]及其改进算法Fast R-CNN [10]和Faster R-CNN [11]等。

一般情况下，两阶段算法在准确度上有优势，而单阶段算法在检测的速度上有优势。由于单阶段算法在速度上更有优势， 所以更受到工程化的青睐。

本文也将使用YOLOv3 网络对磁环表面缺陷进行检测， 为了提升检测速度和精度使用k-means 聚类方法重新选取先验框，保证检测的实时性。

2. 检测算法 2.1. YOLOv3 网络 YOLOv3 是在YOLO 和YOLOv2 算法的改进基础上，主要用于图像目标检测、视频目标检测、摄像机实时目标检测等方面。它将目标检测问题转化为逻辑回归问题，首先将输入图像划分为S × S 个网格， 若待检测图片中的目标中心点落在某个网格内，则该网格负责对应的目标，从而达到更快的检测速度。

之后每个网格将会预测B 个边界框及其本身的置信度，并且该网格需要给出负责预测的边界框是属于第i 个类别的概率。

YOLOv3 使用Darknet53 网络结构作为提取图像特征的骨干网络，其主要由一系列的1 × 1、3 × 3 卷积层构成。

它借鉴了ResNet (Residual Network)的做法， 在各层之间建立快捷链路， 通过适当的跃层连接， 解决了网络逐步深化时模型难以优化的问题，这样做可以利用到更多的图像浅层特征信息。YOLOv3 摒弃了在YOLOv2 中采用的pass-through 结构，而是使用了特征金字塔网络(Feature Pyramid Network, FPN)的多尺度检测方法，然后结合残差网络将图像转换为三种不同尺度的特征图，分别来检测大、中、小三