一种多源特征融合深度学习模型及复杂构件缺陷类型识别方法
复杂构件内部缺陷的类型识别对于保证装备制造质量及安全可靠运行具有重要的意义.针对现有深度学习模型用于缺陷类型识别时存在局部特征提取较差、缺乏考虑缺陷经验特性以及特征信息丢失的问题,提出了一种融合先验特征、全局特征以及ReliefF-Pooling策略的缺陷类型识别方法;实现了缺陷几何、纹理等先验特征与卷积神经网络全局特征的融合分析,并通过构建基于ReliefF-Pooling的特征优化方法,实现不同权重特征信息优化利用;最后,以某航天企业实际的复杂构件内部缺陷的射线检测为例进行了验证.试验结果表明,所提方法可以有效提升复杂构件内部缺陷的类型识别精度.
缺陷类型识别、射线检测、深度学习、先验特征
45
TP391;TG115.28(计算技术、计算机技术)
2023-03-16(万方平台首次上网日期,不代表论文的发表时间)
共7页
12-17,22