10.16526/j.cnki.11-4762/tp.2019.02.047
基于集成深度学习的玻璃缺陷识别方法
针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合;该模型在自编码器的基础上引进了KL距离和L1范数作为稀疏项,构成新的稀疏自编码器;并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度;在稀疏编码阶段用L1-L2范数代替L0范数,并在KSVD上添加了判别分类能力使其更好地进行分类运算,以此提高识别准确率;实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性.
卷积神经网络、玻璃缺陷识别、KSVD算法、稀疏自编码
27
TP391(计算技术、计算机技术)
山西省回国留学人员科研资助项目2016-084
2019-08-14(万方平台首次上网日期,不代表论文的发表时间)
共5页
216-220