基于迁移学习的磁瓦缺陷分类方法

摘要：

针对磁瓦缺陷检测时存在的缺陷样本量少、类别不平衡、模型训练过拟合等问题,提出了一种基于迁移学习的磁瓦缺陷分类方法.该方法在大型图像数据集ImageNet上预训练深层卷积神经网络VGG16,然后使用迁移学习方法将模型迁移到磁瓦缺陷分类研究中,先冻结模型前几层的参数,再用磁瓦缺陷数据集训练调整后的全连接层,并在测试集上测试模型的分类效果.实验结果显示,6类磁瓦缺陷识别准确率达到了 98.69％,明显高于人工分类精度和传统机器视觉分类方法识别精度.该方法实现了较高的磁瓦缺陷分类准确率,同时也极大缩短了训练时间,为工业生产中的实际应用提供了可靠的依据.

关键词：迁移学习、VGG16、少样本、磁瓦缺陷

所属期刊栏目：36

分类号：TP391.41(计算技术、计算机技术)

在线出版日期：2022-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：314-319