基于改进Resnet50金属表面缺陷检测模型

来源：计算机测量与控制杂志2025年第5期北京时间：

作者：丁冠华,姚旭

摘要：金属表面缺陷检测在工业制造中是质量控制的重要环节，传统的人工检测方法由于成本高、效率低，难以满足现代制造业对高精度和高效率的需求。为此，本文提出了一种基于ResNet50和改进可形变卷积的金属缺陷识别模型，以提高金属表面缺陷检测的精度和效率。该模型在ResNet50网络的基础上设计了可形变卷积的残差连接结构，增强了网络对复杂缺陷形状和位置的适应能力。在残差连接前引入卷积注意力模块（CBAM），以更好地捕捉显著的缺陷特征，将该结构嵌入全局平均池化层之前，形成新的网络架构ResNet50_DCAB。通过在金属缺陷数据集上的实验验证，ResNet50_DCAB表现出优异的分类性能。实验结果表明，ResNet50_DCAB模型在验证集上的最高准确率达到98.6%，初始准确率为97.2%，均显著优于其他常用深度学习模型。具体而言，与AlexNet、GoogleNet、DenseNet、ResNet34和原始ResNet50相比，ResNet50_DCAB的验证集最优准确率分别提高了8.9、8.6、6.7、7.5和0.3个百分点，初始准确率则分别提高了38.3、54.4、21.1、31.6和1.9个百分点。由此可见，ResNet50_DCAB在金属缺陷检测任务中表现出较高的识别精度和鲁棒性，充分验证了其有效性和在工业应用中的潜力。

关键词：金属表面缺陷检测;ResNet网络;残差网络;注意力机制;可形变卷积

基金资助：国家自然科学基金(52365069),研创项目(YCX2024095)