摘要： 针对齿轮表面缺陷识别过程中特征信息提取不充分和识别精度较低等问题，提出一种融合多尺度-注意力机制和迁移学习的齿轮表面缺陷识别方法。新方法的创新之处包括：在AlexNet网络中引进Inception模块增加模型宽度，提取多尺度信息，从而提升模型对于不同尺度缺陷特征的感知能力；在多尺度编码操作前，采用卷积注意力机制模块在通道维度和空间维度增强缺陷特征信息，进一步提升模型的特征表达能力；将在通用数据集上预训练的AlexNet模型中部分参数信息迁移至网络模型，利用权重微调策略实现针对齿轮表面缺陷识别任务的个性化网络参数优化；最后，将所提方法在齿轮表面缺陷测试集上进行测试。实验结果表明，该方法在齿轮表面缺陷测试集上的精确率为99.33%,召回率为99.33%,分别提升了9.13%和13.23%,满足实际工业生产中齿轮表面缺陷识别的需求。

关键词: 缺陷识别; AlexNet网络; Inception模块; 注意力模块; 迁移学习

中图分类号: 

• TP391.41

• TH132.41