焊縫缺陷的形狀不規(guī)則等特點(diǎn)導(dǎo)致傳統(tǒng)算法及技術(shù)難以達(dá)到高精度識(shí)別的要求,為此提出一種復(fù)雜度較低的漸進(jìn)式卷積神經(jīng)網(wǎng)絡(luò)（progressive convolutional neural network,P-CNN）對(duì)焊縫缺陷進(jìn)行識(shí)別。該網(wǎng)絡(luò)各層采用相同大小的特征圖,避免重要特征遺漏,為避免過(guò)擬合和欠擬合,學(xué)習(xí)過(guò)程中先以少量樣本為基數(shù)進(jìn)行訓(xùn)練,之后成倍增加訓(xùn)練樣本的數(shù)量,直至準(zhǔn)確率達(dá)到98%時(shí),不再增加樣本數(shù)量。實(shí)驗(yàn)結(jié)果表明,該方法能有效識(shí)別多種焊縫缺陷,較傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)識(shí)別精度有6.7%的提高,在工程的應(yīng)用與推廣中具有一定意義。 

【文章來(lái)源】：計(jì)算機(jī)工程與設(shè)計(jì). 2020,41(09)北大核心

【文章頁(yè)數(shù)】：5 頁(yè)

【部分圖文】：

傳統(tǒng)的CNN網(wǎng)絡(luò)結(jié)構(gòu)

當(dāng)網(wǎng)絡(luò)結(jié)構(gòu)構(gòu)建好后,將訓(xùn)練集圖像全部輸入構(gòu)建好的網(wǎng)絡(luò)中進(jìn)行訓(xùn)練。傳統(tǒng)的CNN訓(xùn)練流程如圖2所示。完成訓(xùn)練后將測(cè)試集圖像輸入到訓(xùn)練好的模型中進(jìn)行識(shí)別。2 改進(jìn)的P-CNN模型

考慮到X射線(xiàn)下的焊縫圖像的特征較少,同時(shí)區(qū)分度較大。故為了實(shí)現(xiàn)焊縫缺陷的高精度識(shí)別,在傳統(tǒng)的CNN模型上進(jìn)行改進(jìn),并運(yùn)用了漸進(jìn)式學(xué)習(xí)的方式對(duì)模型進(jìn)行訓(xùn)練。焊縫缺陷識(shí)別方法的整體架構(gòu)如圖3所示。整體架構(gòu)包括學(xué)習(xí)和識(shí)別兩個(gè)過(guò)程。首先,學(xué)習(xí)過(guò)程是根據(jù)焊縫射線(xiàn)圖像與理想標(biāo)簽的向量對(duì)所構(gòu)成的訓(xùn)練集訓(xùn)練模型從而得到一個(gè)分類(lèi)器;得到分類(lèi)器后再由驗(yàn)證集驗(yàn)證該模型。其次,識(shí)別過(guò)程是把測(cè)試集的實(shí)例輸入到訓(xùn)練好的模型之中,從而得出預(yù)測(cè)的識(shí)別結(jié)果�？偟膩�(lái)說(shuō),所提出的方法以P-CNN模型為核心,學(xué)習(xí)系統(tǒng)是對(duì) P-CNN 模型的訓(xùn)練,而識(shí)別系統(tǒng)是對(duì)P-CNN模型的測(cè)試。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的X射線(xiàn)焊縫缺陷識(shí)別[J]. 李清格,高煒欣.  西安石油大學(xué)學(xué)報(bào)(自然科學(xué)版). 2019(04)
[2]卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展及其在計(jì)算機(jī)視覺(jué)領(lǐng)域中的應(yīng)用綜述[J]. 陳超,齊峰.  計(jì)算機(jī)科學(xué). 2019(03)
[3]深度卷積神經(jīng)網(wǎng)絡(luò)在計(jì)算機(jī)視覺(jué)中的應(yīng)用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[4]基于RBF網(wǎng)絡(luò)的焊縫缺陷圖像的識(shí)別與診斷技術(shù)研究[J]. 喬榮華,董建剛,張永恒.  熱加工工藝. 2016(01)



本文編號(hào)：3321149