多尺度池化卷积神经网络用于钢材表面缺陷的精确分类
- 1苏州科技大学,中国
- 2石河子大学中国
表面缺陷检测是实现产品质量检测的一项重要技术。本文提出了一种新颖的多尺度池化卷积神经网络,以实现高精度的钢材表面缺陷分类。基于SqueezeNet建立模型,并在NEU无噪声和有噪声测试机上进行实验。类激活图可视化证明,多尺度池化模型可以准确地捕获多个尺度上的缺陷位置,不同尺度上的缺陷特征信息可以相互补充和强化,获得更鲁棒的结果。通过T-SNE可视化分析,发现该模型分类结果具有较大的类间距离和较小的类内距离,表明该模型具有较高的可靠性和较强的泛化能力。此外,该模型体积较小(3MB),在NVIDIA 1080Ti GPU上运行速度高达130FPS,适合对实时要求较高的应用程序。
关键词:卷积神经网络,多尺度,缺陷分类,类激活图,特征可视化
收到:2022年11月11日;接受:2023年1月20日。
版权:©2023傅,张,乐,李,朱,牛,陈,孙和沈。这是一篇开放获取的文章,根据创作共用署名许可(CC BY).在其他论坛上的使用、分发或复制是允许的,前提是原作者或许可人注明出处,并按照公认的学术惯例引用本刊上的原始出版物。不得使用、分发或复制不符合这些条款的内容。
*通信:傅桂忠博士,苏州科技大学,中国苏州