基于卷积神经网络的管道表面缺陷识别研究

针对传统管道表面缺陷检测方法存在效率低、准确率不高的问题,提出一种通过机器视觉检测管道表面缺陷的方法,在采集管道表面缺陷的图像信息后通过卷积神经网络的算法分类不同的缺陷。通过加入批量归一化层,改进低层和中层卷积核的构造,优化了GoogleNet的构造,提高了卷积神经网络的泛化性和收敛性。试验结果表明,应用卷积神经网络后对管道表面缺陷的识别率较高,显著提高了管道表面缺陷识别的效率和准确率,具有较好的工程意义。