基于ResNet的航空发动机制件表面缺陷分类研究

针对现有航空发动机制件缺陷分类所存在的检测效率低、适用范围有限等缺陷，提出了一种基于ResNet-18算法的缺陷分类方法。该算法使用深度残差网络提取缺陷特征，并通过修改网络结构适应于不同的缺陷种类。在实验过程中，首先对原始的钢带表面图像进行预处理，使用裁剪、旋转角度等方法扩增数据集。然后使用PyTorch深度学习框架搭建卷积神经网络模型，并将增强后的图片数据输入到模型中进行训练，实现对缺陷的分类。最后，使用东北大学钢带表面缺陷公共数据集进行训练与评估。本文算法在东北大学钢带表面缺陷公共训练集上的分类准确率为97.33%，在测试集上的准确率达到95.36%，为真实工业场景下缺陷的分类提供了可能。

航空发动机(aero-engine)， 是一种高度复杂和精密的热力机械， 为航空器提供飞行所需动力的发动机。

作为飞机的心脏，被誉为“工业之花”，它直接影响飞机的性能、可靠性及经济性，是一个国家科技、工业和国防实力的重要体现。而航空发动机的好坏，直接影响到飞机的性能和安全。但是航空发动机在制造过程中，难免由于工艺、技术、人为等因素的影响，导致零部件产生缺陷或者损伤。而不同类型的缺陷，后续的处理方法往往不同。因此，在零部件制造中对其发动机类零部件进行缺陷分类，将不同类型的缺陷类型区分开来，以保证零部件的高质量具有重要意义。

传统的缺陷分类方法分为人工检测和传统机器检测，人工检测效果易受检测人员的经验、疲劳程度等因素影响，且检测效率低。传统机器检测需要根据检测目标的特性设计相应的检测方案，研发周期长， 且方案难以迁移，泛化能力较差。基于传感器的检测方法有基于超声波的检测，如基于超声波的混凝土缺陷检测，基于超声波的管道防腐层缺陷检测等。然而，基于传感器设备的缺陷分类方法，会受到光照、零件位置和传感器精度等因素的影响。

常见的缺陷分类方法有基于随机森林[1]，有基于支持向量机的[2]，有基于BP 神经网络的[3] [4]，有基于粗糙集理论的[5]。但这些方法的准确率和鲁棒性不佳。

当今已进入人工智能和大数据的时代，卷积神经网络和深度学习算法在图像分类领域取得了飞速的发展，为实现高准确性、高效率的零件表面分类提供了新的解决方案，许多学者提出了“深度学习 + 缺陷分类”方法，该方法已应用于制件表面缺陷的分类，取得了令人满意的结果。王孟嬉研究了图像分类中取得很好效果的卷积神经网络，并把它应用到冷轧薄板表面缺陷分类上，取得了比较好的效果[6]。张君扬等人结合了深度学习和分段线性插值方法用于短切毡缺陷分类[7]。针对不锈钢焊缝缺陷特征提取存