李钧正 殷子玉 乐心怡

摘要：近年来，数据驱动的缺陷检测技术在工业部门得到了初步应用，提升了生产智能化的水平，但是受制于训练样本不足、检测精度较低的问题，这种方法目前仍然难以进一步推广。因此，本文提出了一种数据驱动的钢板表面缺陷检测技术。针对训练样本不足的问题，采取数据增强方法增广数据集。针对检测精度较低的问题，采取层次结构模型方法提升缺陷检出率。试验证明，所提出的方法能有效检出缺陷，并且已经在生产线上部署，其准确率在95%以上。

关键词：缺陷检测；卷积神经网络；层次结构模型；数据增强；小样本学习

中图分类号：TP181文献标识码：ADOI：10.19452/j.issn1007-5453.2021.06.009

合金钢材料被广泛应用于航空航天、汽车工业、国防工业等各个领域，其性能的稳定性对于产品安全具有重大意义[1]。尽管现代航空工业已逐步采用铝合金、钛合金、复合材料等先进材料，但是作为一种廉价、高强度、高韧性、耐热的传统材料，合金钢在飞机结构件、叶片、蒙皮等部位仍有广泛的应用。钢板是合金钢的一种中间工业产品，然而，在钢板的生产过程中，由于环境因素、原材料成分、轧制工艺等原因，常常产生各类缺陷，如边线、边裂、气泡等。这些缺陷对于钢板的耐磨性、抗腐蚀性、疲劳强度等都会产生负面影响[2]，从而最终影响到成品飞行器的性能。实际生产情景下，通常会部署缺陷检测工序来对钢板产品进行检测，并按照其性能分级。

钢板的缺陷以表面缺陷为主[3]。……