對于工業(yè)產(chǎn)品缺陷檢測,傳統(tǒng)方法和普通神經(jīng)網(wǎng)絡(luò)在應(yīng)用時難以覆蓋種類繁多的缺陷類型,為此,提出了一種基于多重孿生神經(jīng)網(wǎng)絡(luò)模型的缺陷識別方法。該方法在原始孿生神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上擴展輸入分支,不僅可以判斷待測圖像有無缺陷,還可以輸出有缺陷圖像的缺陷類型。多重孿生網(wǎng)絡(luò)首先將各輸入圖像轉(zhuǎn)換為特征向量,并通過巴氏距離計算各輸入圖像和與各參考圖像之間的相似度,最后通過K最近鄰（KNN）算法,輸出待測圖像的缺陷類型。同時還建立了一個包含常見印刷缺陷的數(shù)據(jù)集,在該數(shù)據(jù)集上,實驗精確率達到90.97%,召回率達到96.18%。此外,該方法充分發(fā)揮了孿生網(wǎng)絡(luò)"one shot learning"的優(yōu)點,可以通過較小的訓(xùn)練樣本實現(xiàn)多類型的缺陷圖像識別。 

【文章來源】：計算機應(yīng)用. 2020,40(S2)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

圖1 兩種缺陷檢測方法效果示例

原始孿生網(wǎng)絡(luò)

由于本文針對的表面缺陷的圖像相較如mnist數(shù)據(jù)集中的手寫體圖像、鋼管表面圖像[7]等具有更高的復(fù)雜性，因此較淺的網(wǎng)絡(luò)結(jié)構(gòu)無法準確地獲取特征；另一方面，缺陷圖像的復(fù)雜程度又遠低于人臉等圖像，因此并沒有必要使用如Res Net[13]這樣深度高達上百層的網(wǎng)絡(luò)結(jié)構(gòu)，過深的網(wǎng)絡(luò)結(jié)構(gòu)一方面會影響檢測效率，在小樣本訓(xùn)練時也容易引起過擬合。在圖3中的CNN部分，本文采用了VGG16的網(wǎng)絡(luò)結(jié)構(gòu)[14]。VGG16網(wǎng)絡(luò)最早驗證了更深的網(wǎng)絡(luò)結(jié)構(gòu)具有更好的特征提取能力，被廣泛地應(yīng)用于圖像識別、目標檢測等計算機視覺領(lǐng)域。VGGNet有較強的特征提取能力，并有較強的遷移性與可擴展性。如圖4所示，VGGNet擁有5段卷積，每一段卷積內(nèi)都有一定數(shù)量的卷積層，所以網(wǎng)絡(luò)將進行5階段卷積特征提取。

【參考文獻】：
期刊論文
[1]雙循環(huán)遷移排序?qū)W習(xí)[J]. 趙偉強,張熙,賴韓江,印鑒.  計算機學(xué)報. 2019(12)
[2]一種聚類與kNN結(jié)合的協(xié)同過濾算法[J]. 喻新潮,曾圣超,溫柳英,羅朝廣.  小型微型計算機系統(tǒng). 2019(04)
[3]基于CNN的帶鋼表面缺陷檢測[J]. 楊延西,趙夢.  重型機械. 2019(02)
[4]基于卷積神經(jīng)網(wǎng)絡(luò)的高壓電纜局部放電模式識別[J]. 楊帆,王干軍,彭小圣,文勁宇,陳清江,楊光垚,李朝暉.  電力自動化設(shè)備. 2018(05)
[5]基于X射線圖像和卷積神經(jīng)網(wǎng)絡(luò)的石油鋼管焊縫缺陷檢測與識別[J]. 劉涵,郭潤元.  儀器儀表學(xué)報. 2018(04)
[6]機器視覺表面缺陷檢測綜述[J]. 湯勃,孔建益,伍世虔.  中國圖象圖形學(xué)報. 2017(12)
[7]基于CNN的工件缺陷檢測方法研究[J]. 喬麗,趙爾敦,劉俊杰,程彬.  計算機科學(xué). 2017(S2)
[8]基于光學(xué)傅里葉變換的周期性微結(jié)構(gòu)缺陷檢測[J]. 董明利,李波,張帆,孫鵬.  光學(xué)精密工程. 2017(07)
[9]基于邊緣幾何特征的高性能模板匹配算法[J]. 吳曉軍,鄒廣華.  儀器儀表學(xué)報. 2013(07)



本文編號：3440203