CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类，传统机器学习需要人工提取特征，而深度学习需要大量样本的问题，本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络（CNN）和决策树（DT）的金属缺陷分类方法。利用卷积神经网络提取特征，通过决策树分类，实现缺陷分类。引入主成分分析（PCA）方法对特征向量降维，减小过拟合并提升算法识别分类效率。为验证本文方法的通用性，除图像缺陷数据外还引入非图像缺陷数据。实验结果表明，本文方法除了能分类图像缺陷也能分类非图像缺陷，且在识别率等3个评价指标上本文方法优于传统机器学习方法，与深度学习方法持平，但在分类消耗时间上少于深度学习。