基于改进的残差收缩网络的带钢表面缺陷识别

为解决传统视觉带钢识别无法自主提取图像特征,准确率会受到图像质量的限制等问题,提出了一种改进的深度残差收缩网络带钢缺陷表面质量缺陷识别方法。首先,利用数据增广的方法:旋转和翻转对数据集进行数据扩充;其次,建立残差收缩网络带钢缺陷识别模型,并且使用LeakyReLU激活函数替换原有的激活函数ReLU;再次,利用Adamax对残差收缩网络进行训练过程优化,减少资源的使用效果以及提高缺陷识别的准确率;最后,通过多次实验,然后取识别准确度的平均值。结果表明,带钢缺陷识别方法的准确度可以达到98.88%,优于传统的SVM、卷积神经网络、残差网络以及改进的残差收缩DRESN-CS。