基于DenseNet网络的焊缝缺陷检测识别

发布时间：2021-01-21 01:39

　　针对X射线焊缝的缺陷分类识别难度较高且传统算法复杂、低效的问题,引入了基于深度学习的密集连接卷积网络（DenseNet）算法,并对数据进行了动态增强。DenseNet网络算法脱离了机器学习算法中需要加深网络层数和加宽网络结构来提升性能的定式思维。通过特征重用和旁路设置,从而实现对焊缝缺陷的检测识别。在相同数据集和训练步数下,同最小二乘支持向量机（LS-SVM）与卷积神经网络LeNet算法对比,DenseNet网络提高了模型泛化能力和识别准确率,对焊缝缺陷识别准确率可达98.969%。 

【文章来源】：传感器与微系统. 2020,39(09)

【文章页数】：3 页

【部分图文】：

Dense Net结构模型

Dense Net—121网络训练与测试准确率如图2所示。可看出训练曲线与测试曲线拟合较好。针对每个标签下的焊缝缺陷类别进行精度验证，运用了混淆矩阵(confusion matrix)可视化工具。混淆矩阵可作为表示精度评价的一种标准格式。本文对缺陷类型分别进行10次检测后取得均值，其结果如图3所示。

针对每个标签下的焊缝缺陷类别进行精度验证，运用了混淆矩阵(confusion matrix)可视化工具。混淆矩阵可作为表示精度评价的一种标准格式。本文对缺陷类型分别进行10次检测后取得均值，其结果如图3所示。由图中横轴所对应的缺陷类型:0为裂纹，1为未融合，2为未焊透，3为条形缺陷，4为圆形缺陷，5为无缺陷。由检测结果知，工业结构中最危险的裂纹缺陷与无缺陷图像的检测准确率均达到了100%。未融合缺陷与圆形缺陷识别率也较好，但未焊透缺陷与条形缺陷的平均识别准确率较低，分别为97.5%和97.1%。受限于缺陷图数据库数量，Dense Net网络相较于LS-SVM[10]与Le Net网络算法，已得到较高的识别准确率。


本文编号：2990192