基于多重孪生网络的表面缺陷识别方法

发布时间：2021-10-16 17:20

　　对于工业产品缺陷检测,传统方法和普通神经网络在应用时难以覆盖种类繁多的缺陷类型,为此,提出了一种基于多重孪生神经网络模型的缺陷识别方法。该方法在原始孪生神经网络的基础上扩展输入分支,不仅可以判断待测图像有无缺陷,还可以输出有缺陷图像的缺陷类型。多重孪生网络首先将各输入图像转换为特征向量,并通过巴氏距离计算各输入图像和与各参考图像之间的相似度,最后通过K最近邻（KNN）算法,输出待测图像的缺陷类型。同时还建立了一个包含常见印刷缺陷的数据集,在该数据集上,实验精确率达到90.97%,召回率达到96.18%。此外,该方法充分发挥了孪生网络"one shot learning"的优点,可以通过较小的训练样本实现多类型的缺陷图像识别。 

【文章来源】：计算机应用. 2020,40(S2)北大核心CSCD

【文章页数】：5 页

【部分图文】：

图1 两种缺陷检测方法效果示例

原始孪生网络

由于本文针对的表面缺陷的图像相较如mnist数据集中的手写体图像、钢管表面图像[7]等具有更高的复杂性，因此较浅的网络结构无法准确地获取特征；另一方面，缺陷图像的复杂程度又远低于人脸等图像，因此并没有必要使用如Res Net[13]这样深度高达上百层的网络结构，过深的网络结构一方面会影响检测效率，在小样本训练时也容易引起过拟合。在图3中的CNN部分，本文采用了VGG16的网络结构[14]。VGG16网络最早验证了更深的网络结构具有更好的特征提取能力，被广泛地应用于图像识别、目标检测等计算机视觉领域。VGGNet有较强的特征提取能力，并有较强的迁移性与可扩展性。如图4所示，VGGNet拥有5段卷积，每一段卷积内都有一定数量的卷积层，所以网络将进行5阶段卷积特征提取。

【参考文献】：
期刊论文
[1]双循环迁移排序学习[J]. 赵伟强,张熙,赖韩江,印鉴.  计算机学报. 2019(12)
[2]一种聚类与kNN结合的协同过滤算法[J]. 喻新潮,曾圣超,温柳英,罗朝广.  小型微型计算机系统. 2019(04)
[3]基于CNN的带钢表面缺陷检测[J]. 杨延西,赵梦.  重型机械. 2019(02)
[4]基于卷积神经网络的高压电缆局部放电模式识别[J]. 杨帆,王干军,彭小圣,文劲宇,陈清江,杨光垚,李朝晖.  电力自动化设备. 2018(05)
[5]基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别[J]. 刘涵,郭润元.  仪器仪表学报. 2018(04)
[6]机器视觉表面缺陷检测综述[J]. 汤勃,孔建益,伍世虔.  中国图象图形学报. 2017(12)
[7]基于CNN的工件缺陷检测方法研究[J]. 乔丽,赵尔敦,刘俊杰,程彬.  计算机科学. 2017(S2)
[8]基于光学傅里叶变换的周期性微结构缺陷检测[J]. 董明利,李波,张帆,孙鹏.  光学精密工程. 2017(07)
[9]基于边缘几何特征的高性能模板匹配算法[J]. 吴晓军,邹广华.  仪器仪表学报. 2013(07)



本文编号：3440203