迁移学习残差网络
弱磁缺陷识别近全准
该模型通过迁移学习与通道注意力机制，从弱磁信号灰度图像中精准识别铁磁材料缺陷尺寸，显著提升小样本下的预测准确率与鲁棒性。
Chen, Yu · Liangliang, Li · Ma, Zhengxiang · Wen, Xinling · Jiabao, Pang · Weitao, Yuan
Engineering Applications of Artificial Intelligence 2025
参数信息
- 缺陷尺寸预测准确率（长50 mm，深2 mm，宽1 mm）
- 100 %
- 缺陷尺寸预测准确率（长50 mm，深2 mm，宽2 mm）
- 100 %
- 缺陷尺寸预测准确率（长50 mm，深2 mm，宽3 mm）
- 98.84 %
- 缺陷尺寸预测准确率（长50 mm，深2 mm，宽4 mm）
- 99.58 %
- 缺陷尺寸预测准确率（长50 mm，深2 mm，宽5 mm）
- 100 %
- 缺陷尺寸预测准确率（长50 mm，宽2 mm，深1 mm）
- 99.68 %
- 缺陷尺寸预测准确率（长50 mm，宽2 mm，深2 mm）
- 100 %
- 缺陷尺寸预测准确率（长50 mm，宽2 mm，深3 mm）
- 99.63 %
技术优势
准确率近全中
对多种缺陷尺寸的灰度图像预测准确率超过98.8%，部分达100%，让缺陷识别几乎不误判。
少数据也能练
迁移学习用预训练权重起步，不必从零开始，显著降低训练所需数据量与时间成本。
专看相关特征
通道注意力机制计算各通道重要性并生成权重，使模型更关注与缺陷尺寸关联高的特征。
更稳不挑数据
相比传统ResNet18，改进模型不仅精度更高，对不同缺陷尺寸的预测波动也更小。
应用场景
- 无损检测：用弱磁信号直接测出缺陷尺寸，替代人工目检和传统漏磁方法。
- 材料缺陷诊断：给铁磁材料内部缺陷定级，从灰度图像一步输出几何尺寸。
- 工业质检：嵌入产线质检环节，对焊缝等关键部位快速筛查缺陷尺寸。
- 智能制造：为智能制造提供缺陷数据采集与自动分类，支撑工艺闭环。