样本限制场景下金属板带材表面缺陷分类研究

摘要：

深度学习在金属板带材表面缺陷检测中取得良好的检测效果,但随着网络层数的增加,针对较小样本的金属板带材表面缺陷数据集训练数据容易出现过拟合现象的问题,为此将残差网络与迁移学习结合提出了一种融合多层次缺陷特征的图像分类算法.该算法采用残差网络模块逐层提取金属表面缺陷特征,获得丰富的位置信息和语义信息缺陷特征的特征图,后续利用分类网络基于该融合特征图得到最终分类结果,同时对特征提取网络进行迁移学习,增加网络泛化能力,优化分类精度.利用钢带表面缺陷检测数据集评估本文算法性能,实验结果表明,提出的算法具有较好的分类效果,优于其他缺陷分类算法,分类准确率可达到99.07％,同时本文所提算法具有良好的抗噪性和泛化性,在金属板带材表面缺陷智能检测中具有较好的应用价值.

关键词：缺陷分类;小样本;残差网络;迁移学习

所属期刊栏目：32

分类号：TP391(计算技术、计算机技术)

资助基金：国家重点研发计划资助;国家自然基金资助;昆明理工大学复杂工业控制学科方向团队建设计划资助和云南省重点研发计划

在线出版日期：2021-11-23（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：711-718