10.19344/j.cnki.issn1671-5276.2023.01.007
联合损失监督的高频工件深度学习识别算法
针对高频工件种类多、类间相似度较高造成的识别准确率低的问题,提出一种联合损失监督的深度学习识别算法.搭建基于卷积神经网络的图像特征向量编码模型,采用角度余量损失替换SoftMax损失,以减小工件类内特征之间的距离,完成同类工件的鲁棒性表示;引入隔离损失以增大异类工件特征之间的距离,实现异类工件的良好性区分.实验结果表明:该方法相较于传统的图像识别方法,识别准确率更高;相较于单一的角度余量和隔离损失,识别准确率分别提高了 3.97%和13.88%.
工件识别、联合损失、监督学习、卷积神经网络
52
TP391.41(计算技术、计算机技术)
四川省重大科技专项18ZDZX0140
2023-03-21(万方平台首次上网日期,不代表论文的发表时间)
共5页
30-33,47