集成迁移学习的轴件表面缺陷实时检测

摘要：

针对轴件表面缺陷分析过程中存在小样本和实时检测效率低的问题,提出一种集成迁移学习的轴件表面缺陷实时检测方法.首先通过相似领域图片的迁移学习,减少对人工大规模标注数据的经验性依赖,采用主成分分析法完成表面缺陷的降维和关键特征向量提取,建立轴件表面缺陷的特征空间,并利用空间位置求解迁移学习的源领域,降低领域间距离度量的复杂度;其次通过训练源领域图片的特征提取器,将特征提取器的网络权值迁移至YOLO V3目标检测模型中,完成相似领域的知识迁移,建立高速生产状态下的轴件表面缺陷实时检测模型.试验表明,该方法在轴件生产现场的实时检测中具有较高的准确度和鲁棒性,集成后的算法模型各类缺陷正检率达97％以上,平均精度均值的方差值缩小近3倍.

关键词：轴件表面缺陷、主成分分析、集成迁移学习、YOLO V3目标检测算法

所属期刊栏目：25

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金资助项目;浙江省自然科学基金资助项目

在线出版日期：2020-03-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：3199-3208