摘要： 针对现表面缺陷检测方法准确率低、需要进行复杂的特征设计、特征泛化性不强、参数多和识别速度慢等问题，在残差网络卷积模块之后采用自适应全局平均池化，有效降低了分类器的特征维度，减少了信息冗余。将无参注意力机制模块SimAM与ResNet34网络相结合用于缺陷检测，并对不同组合结构进行研究，提出ResNet34＿s＿e和ResNet34＿m这2种混合网络模型，该2种混合网络模型均不增加原始网络参数量。在东北大学钢铁缺陷标准数据集上进行实验，对数据集使用镜像、翻转等数据增广策略，防止模型过拟合。通过对比发现，ResNet34＿s＿e混合网络模型能够有效加快训练过程中误差的下降趋势，提升分类准确率。最后在武汉某制造车间采集的冲压件缺陷数据集上验证该混合网络模型的泛化性能。测试集正确率由88.34%提高到了89.19%,有效提升了车间冲压件缺陷检测准确率。

关键词: 缺陷识别; 残差网络; 数据增广; SimAM模块

中图分类号: 

• TP391.41

• TP183