融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

摘要：

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类.首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization,BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit,LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力.结果表明,该模型最终达到了 95.12％的准确率,相比原结构识别精度提高了 9.8％.验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类.相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义.

关键词：不锈钢焊缝缺陷分类;卷积神经网络;图像预处理;AlexNet模型;迁移学习;数据增强;焊缝数据集;深度学习

所属期刊栏目：16

分类号：TP391.4(计算技术、计算机技术)

资助基金：先进控制与装备智能化山西省重点实验室开放课题;山西省高等学校科技创新项目;山西省应用基础研究项目

在线出版日期：2021-08-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：537-543