針對X射線焊縫的缺陷分類識別難度較高且傳統(tǒng)算法復雜、低效的問題,引入了基于深度學習的密集連接卷積網(wǎng)絡(luò)（DenseNet）算法,并對數(shù)據(jù)進行了動態(tài)增強。DenseNet網(wǎng)絡(luò)算法脫離了機器學習算法中需要加深網(wǎng)絡(luò)層數(shù)和加寬網(wǎng)絡(luò)結(jié)構(gòu)來提升性能的定式思維。通過特征重用和旁路設(shè)置,從而實現(xiàn)對焊縫缺陷的檢測識別。在相同數(shù)據(jù)集和訓練步數(shù)下,同最小二乘支持向量機（LS-SVM）與卷積神經(jīng)網(wǎng)絡(luò)LeNet算法對比,DenseNet網(wǎng)絡(luò)提高了模型泛化能力和識別準確率,對焊縫缺陷識別準確率可達98.969%。 

【文章來源】：傳感器與微系統(tǒng). 2020,39(09)

【文章頁數(shù)】：3 頁

【部分圖文】：

Dense Net結(jié)構(gòu)模型

Dense Net—121網(wǎng)絡(luò)訓練與測試準確率如圖2所示。可看出訓練曲線與測試曲線擬合較好。針對每個標簽下的焊縫缺陷類別進行精度驗證，運用了混淆矩陣(confusion matrix)可視化工具�；煜仃嚳勺鳛楸硎揪仍u價的一種標準格式。本文對缺陷類型分別進行10次檢測后取得均值，其結(jié)果如圖3所示。

針對每個標簽下的焊縫缺陷類別進行精度驗證，運用了混淆矩陣(confusion matrix)可視化工具。混淆矩陣可作為表示精度評價的一種標準格式。本文對缺陷類型分別進行10次檢測后取得均值，其結(jié)果如圖3所示。由圖中橫軸所對應的缺陷類型:0為裂紋，1為未融合，2為未焊透，3為條形缺陷，4為圓形缺陷，5為無缺陷。由檢測結(jié)果知，工業(yè)結(jié)構(gòu)中最危險的裂紋缺陷與無缺陷圖像的檢測準確率均達到了100%。未融合缺陷與圓形缺陷識別率也較好，但未焊透缺陷與條形缺陷的平均識別準確率較低，分別為97.5%和97.1%。受限于缺陷圖數(shù)據(jù)庫數(shù)量，Dense Net網(wǎng)絡(luò)相較于LS-SVM[10]與Le Net網(wǎng)絡(luò)算法，已得到較高的識別準確率。


本文編號：2990192