10.16208/j.issn1000-7024.2020.11.047
基于卷积神经网络的铁氧体零件裂缝检测
为提升铁氧体零件缺陷检测的精度和自动化程度,提出一种基于卷积神经网络的铁氧体零件裂缝检测方法.根据铁氧体零件的自身形状特点,设计一种基于ResNet-18的四分类神经网络,通过9420张128×128分辨率的铁氧体零件图片对该网络进行训练,在验证集上达到了97% 的分类准确率.提出一种滑动子区域计分方法,与训练好的神经网络模型结合,在测试集上可达到97.9% 的检测精度.验证结果表明,该方法能够检测宽度在0.1 mm左右、长度超过0.2 mm的裂缝.
卷积神经网络、铁氧体零件、裂缝检测、视觉检测、深度学习、圆环形零件
41
TP391.4(计算技术、计算机技术)
2020-11-26(万方平台首次上网日期,不代表论文的发表时间)
共8页
3294-3301