基于深度学习的磁瓦表面缺陷分割与识别
为了满足磁瓦生产工业对表面质量检测的高要求,实现磁瓦缺陷自动分割与识别,本文提出了一种基于卷积神经网络的缺陷分割与分类网络.该网络基于U-net架构,通过U-net编码部分提取缺陷的深层特征,并使用该深层特征进行缺陷分类,然后通过解码部分输出分割的缺陷区域.为了解决部分缺陷前景面积占比太小,导致网络难以收敛的问题,通过添加差异系数损失以保证网络持续优化.然后在训练阶段添加多层损失和进行在线数据增强进一步提升了分割精度和分类准确率.实验结果表明,添加辅助损失函数和数据增强后,分割网络能够分割出94.5%标注的缺陷区域,并且对于缺陷分类的准确率能够达到98.9%,满足工业生产的高精度要求.该方法能够精准有效地分割和识别磁瓦的表面缺陷,为磁瓦表面质量检测自动化行业提供了一种新的思路.
磁瓦、缺陷分割、缺陷分类、U-net、卷积神经网络
36
TP394.1;TH691.9(计算技术、计算机技术)
国家重点研发计划课题;广东省科技重大专项;福建省科技重大专项;广东省光信息材料与技术重点实验室开放基金
2021-05-17(万方平台首次上网日期,不代表论文的发表时间)
共10页
713-722