焊縫缺陷的形狀不規(guī)則等特點導致傳統(tǒng)算法及技術難以達到高精度識別的要求,為此提出一種復雜度較低的漸進式卷積神經(jīng)網(wǎng)絡（progressive convolutional neural network,P-CNN）對焊縫缺陷進行識別。該網(wǎng)絡各層采用相同大小的特征圖,避免重要特征遺漏,為避免過擬合和欠擬合,學習過程中先以少量樣本為基數(shù)進行訓練,之后成倍增加訓練樣本的數(shù)量,直至準確率達到98%時,不再增加樣本數(shù)量。實驗結果表明,該方法能有效識別多種焊縫缺陷,較傳統(tǒng)的卷積神經(jīng)網(wǎng)絡識別精度有6.7%的提高,在工程的應用與推廣中具有一定意義。 

【文章來源】：計算機工程與設計. 2020,41(09)北大核心

【文章頁數(shù)】：5 頁

【部分圖文】：

傳統(tǒng)的CNN網(wǎng)絡結構

當網(wǎng)絡結構構建好后,將訓練集圖像全部輸入構建好的網(wǎng)絡中進行訓練。傳統(tǒng)的CNN訓練流程如圖2所示。完成訓練后將測試集圖像輸入到訓練好的模型中進行識別。2 改進的P-CNN模型

考慮到X射線下的焊縫圖像的特征較少,同時區(qū)分度較大。故為了實現(xiàn)焊縫缺陷的高精度識別,在傳統(tǒng)的CNN模型上進行改進,并運用了漸進式學習的方式對模型進行訓練。焊縫缺陷識別方法的整體架構如圖3所示。整體架構包括學習和識別兩個過程。首先,學習過程是根據(jù)焊縫射線圖像與理想標簽的向量對所構成的訓練集訓練模型從而得到一個分類器;得到分類器后再由驗證集驗證該模型。其次,識別過程是把測試集的實例輸入到訓練好的模型之中,從而得出預測的識別結果�？偟膩碚f,所提出的方法以P-CNN模型為核心,學習系統(tǒng)是對 P-CNN 模型的訓練,而識別系統(tǒng)是對P-CNN模型的測試。

【參考文獻】：
期刊論文
[1]基于深度學習的X射線焊縫缺陷識別[J]. 李清格,高煒欣.  西安石油大學學報(自然科學版). 2019(04)
[2]卷積神經(jīng)網(wǎng)絡的發(fā)展及其在計算機視覺領域中的應用綜述[J]. 陳超,齊峰.  計算機科學. 2019(03)
[3]深度卷積神經(jīng)網(wǎng)絡在計算機視覺中的應用研究綜述[J]. 盧宏濤,張秦川.  數(shù)據(jù)采集與處理. 2016(01)
[4]基于RBF網(wǎng)絡的焊縫缺陷圖像的識別與診斷技術研究[J]. 喬榮華,董建剛,張永恒.  熱加工工藝. 2016(01)



本文編號：3321149