基于渐进式卷积神经网络的焊缝缺陷识别

发布时间：2021-08-04 06:04

　　焊缝缺陷的形状不规则等特点导致传统算法及技术难以达到高精度识别的要求,为此提出一种复杂度较低的渐进式卷积神经网络（progressive convolutional neural network,P-CNN）对焊缝缺陷进行识别。该网络各层采用相同大小的特征图,避免重要特征遗漏,为避免过拟合和欠拟合,学习过程中先以少量样本为基数进行训练,之后成倍增加训练样本的数量,直至准确率达到98%时,不再增加样本数量。实验结果表明,该方法能有效识别多种焊缝缺陷,较传统的卷积神经网络识别精度有6.7%的提高,在工程的应用与推广中具有一定意义。 

【文章来源】：计算机工程与设计. 2020,41(09)北大核心

【文章页数】：5 页

【部分图文】：

传统的CNN网络结构

当网络结构构建好后,将训练集图像全部输入构建好的网络中进行训练。传统的CNN训练流程如图2所示。完成训练后将测试集图像输入到训练好的模型中进行识别。2 改进的P-CNN模型

考虑到X射线下的焊缝图像的特征较少,同时区分度较大。故为了实现焊缝缺陷的高精度识别,在传统的CNN模型上进行改进,并运用了渐进式学习的方式对模型进行训练。焊缝缺陷识别方法的整体架构如图3所示。整体架构包括学习和识别两个过程。首先,学习过程是根据焊缝射线图像与理想标签的向量对所构成的训练集训练模型从而得到一个分类器;得到分类器后再由验证集验证该模型。其次,识别过程是把测试集的实例输入到训练好的模型之中,从而得出预测的识别结果。总的来说,所提出的方法以P-CNN模型为核心,学习系统是对 P-CNN 模型的训练,而识别系统是对P-CNN模型的测试。

【参考文献】：
期刊论文
[1]基于深度学习的X射线焊缝缺陷识别[J]. 李清格,高炜欣.  西安石油大学学报(自然科学版). 2019(04)
[2]卷积神经网络的发展及其在计算机视觉领域中的应用综述[J]. 陈超,齐峰.  计算机科学. 2019(03)
[3]深度卷积神经网络在计算机视觉中的应用研究综述[J]. 卢宏涛,张秦川.  数据采集与处理. 2016(01)
[4]基于RBF网络的焊缝缺陷图像的识别与诊断技术研究[J]. 乔荣华,董建刚,张永恒.  热加工工艺. 2016(01)



本文编号：3321149