為提升鐵氧體零件缺陷檢測(cè)的精度和自動(dòng)化程度,提出一種基于卷積神經(jīng)網(wǎng)絡(luò)的鐵氧體零件裂縫檢測(cè)方法。根據(jù)鐵氧體零件的自身形狀特點(diǎn),設(shè)計(jì)一種基于ResNet-18的四分類(lèi)神經(jīng)網(wǎng)絡(luò),通過(guò)9420張128×128分辨率的鐵氧體零件圖片對(duì)該網(wǎng)絡(luò)進(jìn)行訓(xùn)練,在驗(yàn)證集上達(dá)到了97%的分類(lèi)準(zhǔn)確率。提出一種滑動(dòng)子區(qū)域計(jì)分方法,與訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)模型結(jié)合,在測(cè)試集上可達(dá)到97.9%的檢測(cè)精度。驗(yàn)證結(jié)果表明,該方法能夠檢測(cè)寬度在0.1 mm左右、長(zhǎng)度超過(guò)0.2 mm的裂縫。 

【文章來(lái)源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(11)北大核心

【文章頁(yè)數(shù)】：8 頁(yè)

【部分圖文】：

鐵氧體裂縫檢測(cè)流程

為提高模型性能，解決神經(jīng)網(wǎng)絡(luò)的過(guò)擬合問(wèn)題，采用鏡像翻轉(zhuǎn)、加入隨機(jī)噪聲、隨機(jī)變化亮度、對(duì)比度和飽和度等方式對(duì)訓(xùn)練集進(jìn)行圖像增廣。其中，加入的隨機(jī)噪聲為高斯噪聲，它的概率密度函數(shù)服從高斯分布。最后對(duì)圖像進(jìn)行標(biāo)準(zhǔn)化，將原始圖像中RGB三通道的像素值從[0,255]標(biāo)準(zhǔn)化到[0,1]之間，標(biāo)準(zhǔn)化的公式為

圖3展示了本研究設(shè)計(jì)的網(wǎng)絡(luò)框架。表1給出了網(wǎng)絡(luò)每一層的結(jié)構(gòu)以及輸出特征圖大小。網(wǎng)絡(luò)的輸入為128×128×3的圖像，通過(guò)卷積層和4個(gè)殘差塊，到達(dá)平均池化層，將特征圖尺寸變?yōu)?×1×512，最后通過(guò)全連接層和Softmax層，輸出一個(gè)4×1的向量，向量中的4個(gè)元素分別對(duì)應(yīng)該輸入圖像屬于背景區(qū)域、零件邊緣區(qū)域、零件完好區(qū)域和零件裂縫區(qū)域4個(gè)類(lèi)別的概率大小，其中概率最大的元素即對(duì)應(yīng)神經(jīng)網(wǎng)絡(luò)輸出的類(lèi)別。2.1.1 卷積層


本文編號(hào)：3479229