基于卷积神经网络的电镀金刚石磨料表面异常检测用于工业质量检验
计算机视觉与模式识别
2022-12-22 v1 机器学习
摘要
电镀金刚石磨料工具需要在金属表面镀镍以实现磨料结合与零件功能。电镀镍涂层磨料工具预期具有高质量的零件性能，其镍涂层厚度为磨料中径的50%至60%之间、镍层均匀、磨料分布于电镀表面且具明亮光泽。为此设定相应的电镀参数。由于金刚石的光折射、色散特性以及反光明亮的镍表面，使用光学检验仪器对这些磨料电镀零件进行缺陷的工业质量检验极具挑战性。该挑战带来的困难要求零件使用放大镜进行人工质量检验，这具有主观性且成本高昂。在本研究中，我们在生产线上使用卷积神经网络（CNN）模型检测磨料电镀零件异常，从而能够从生产链中修复或剔除状态不良的零件或元件，并最终降低人工质量检验成本。我们使用744个样本训练模型。我们的模型成功识别出超过99%的异常零件。
引用
@article{arxiv.2212.11122,
title = {Diamond Abrasive Electroplated Surface Anomaly Detection using Convolutional Neural Networks for Industrial Quality Inspection},
author = {Parviz Ali},
journal= {arXiv preprint arXiv:2212.11122},
year = {2022}
}