基于深度学习的镍基高温合金叶片磨削烧伤识别研究

摘要

针对目视检查镍基高温合金叶片磨削烧伤时易出现误检、漏检等问题，提出一种基于深度学习的镍基高温合金叶片磨削烧伤识别分类模型（Tenon Grinding Burn Net,TenonGBNet）.以K4125镍基高温合金叶片为研究对象，通过磨削烧伤试验和试件组织检测获得不同烧伤程度的叶片榫齿磨削烧伤分级标准和对应的图片集；将ODConv动态卷积融合Inception V2模块和Coordinate Attention注意力机制，保证模型轻量化的同时提高模型的特征提取能力；使用全连接层进行识别分类.结果表明，与其他4个经典分类模型相比，TenonGBNet在具有较小的模型复杂度和参数量的同时保持了96.50%的平均分类准确率，且各烧伤等级的分类准确率均超过95%.

关键词

深度学习 / 镍基合金 / 磨削 / 烧伤 / 图像识别