在科技日益发展的今天,电子产业不断壮大,一些小型耳机音响设备迅速占领市场,走进我们的生活。小型耳机音响设备内部的金属膜片缺陷分类方法的研究,也被广泛的关注,研究的方向也逐渐从传统的手工检测方法向深度学习方法转变,以此来解决金属震动膜片在生产过程中人工检测方法效率低、肉眼分类粗糙、检测成本高昂,以及误检率较高等问题。本文基于现有的卷积神经网络模型,利用迁移学习的方式,在小样本集下,对金属震动膜片进行缺陷分类方法的研究,主要研究内容包含以下三个方面。1.针对金属震动膜片在膜纸起皮、破洞、膜上颗粒和污渍缺陷识别过程中数据集较少,特征提取不够充分的条件下,分类识别困难的问题,本文使用已经训练好的Goog Le Net卷积神经网络模型,通过添加新的Soft Max全连接层作为分类识别层进行迁移学习。使用金属震动膜片图片数据对分类识别层进行学习训练,准确率达到90%以上,并验证方法在金属震动膜片分类中的可行性以及优势。2.针对在小样本集下,卷积神经网络使用迁移学习方法进行分类时,泛化能力不为理想,为了在小样本集情况下使得模型对未见过的测试样本有更好的推广能力,本文使用GA-SVM替代Soft Max全连接层作为整个网络的分类识别层。GASVM可以在遗传算法的加持下,在模型训练时更快的找到SVM的最优参数c和g,再以最优参数作为SVM的模型参数对金属震动膜片缺陷进行分类检测,提高整个网络模型的泛化能力,并保证较好的准确率和模型训练时间。3.针对实际的项目需求,检测方法想要应用到该项目的实际检测,需要系统化和工程化的实现。以上述研究方法为基础,设计并实现了金属震动膜片缺陷分类系统的软件和硬件选型,利用python和QT designer设计本文缺陷检测软件界面,包括显示框、按钮、输入框及调节框等布局,将检测算法和UI进行逻辑和数据连接,最后完成检测及结果显示,并将数据保存在本地。本文在项目方提供的金属震动膜片图片数据集上进行实验验证,验证了在小样本集下,基于Goog Le Net模型的迁移学习方法及改进方法在金属震动膜片缺陷分类检测上的可行性,并且保证了较好的准确率和泛化能力,具有一定的借鉴意义。设计实现的金属震动膜片缺陷检测系统也可以初步满足常规的金属膜片缺陷检测需要。