多尺度池化卷积神经网络用于钢材表面缺陷的精确分类

Guizhong傅 ^{1 *}，Zengguang张¹， 文武勒 ¹，Jinbin李²， 朱齐心¹， 福州妞妞 ¹，陈郝 ¹，方圆的太阳¹而且 Yehu沈 ¹

• 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。