基于卷积神经网络的铁氧体零件裂缝检测

发布时间：2021-11-06 05:10

　　为提升铁氧体零件缺陷检测的精度和自动化程度,提出一种基于卷积神经网络的铁氧体零件裂缝检测方法。根据铁氧体零件的自身形状特点,设计一种基于ResNet-18的四分类神经网络,通过9420张128×128分辨率的铁氧体零件图片对该网络进行训练,在验证集上达到了97%的分类准确率。提出一种滑动子区域计分方法,与训练好的神经网络模型结合,在测试集上可达到97.9%的检测精度。验证结果表明,该方法能够检测宽度在0.1 mm左右、长度超过0.2 mm的裂缝。 

【文章来源】：计算机工程与设计. 2020,41(11)北大核心

【文章页数】：8 页

【部分图文】：

铁氧体裂缝检测流程

为提高模型性能，解决神经网络的过拟合问题，采用镜像翻转、加入随机噪声、随机变化亮度、对比度和饱和度等方式对训练集进行图像增广。其中，加入的随机噪声为高斯噪声，它的概率密度函数服从高斯分布。最后对图像进行标准化，将原始图像中RGB三通道的像素值从[0,255]标准化到[0,1]之间，标准化的公式为

图3展示了本研究设计的网络框架。表1给出了网络每一层的结构以及输出特征图大小。网络的输入为128×128×3的图像，通过卷积层和4个残差块，到达平均池化层，将特征图尺寸变为1×1×512，最后通过全连接层和Softmax层，输出一个4×1的向量，向量中的4个元素分别对应该输入图像属于背景区域、零件边缘区域、零件完好区域和零件裂缝区域4个类别的概率大小，其中概率最大的元素即对应神经网络输出的类别。2.1.1 卷积层


本文编号：3479229