基于迁移学习的GH159螺栓热镦后头部缺陷识别

为准确进行GH159螺栓热镦后头部缺陷识别,提出了基于迁移学习的缺陷识别方法,其中,不同场景亮度下的数据集分别设置为迁移学习的源域,目标域.首先,考虑域条件分布的多簇特点,使用K-means算法对同类缺陷数据进行簇划分,确定簇中心,并基于其构造新的分布差异度量;其次,为有效提升迁移学习计算效率,使用簇中心间距离以及各簇中心与该簇样本间距离,建立新的类内差异度量;最后,以分布差异度量与类内差异度量的加权和最小化为目标,准确识别不同场景亮度下的缺陷.针对所提出方法的参数设定需求,基于反向验证理念设计伪精度,并以其最大化进行参数确定.基于收集的GH159螺栓热镦后头部缺陷数据集,开展缺陷识别分析应用,验证所提出方法的有效性.