迁移学习在热轧钢带表面缺陷分类中应用研究 |
| |
引用本文: | 张立,王桂棠,陈建强,王国桢.迁移学习在热轧钢带表面缺陷分类中应用研究[J].机械设计与制造,2022,375(5):220-224. |
| |
作者姓名: | 张立 王桂棠 陈建强 王国桢 |
| |
作者单位: | 广东工业大学机电工程学院,广东广州510006;广州沧恒自动控制科技有限公司,广东广州510663 |
| |
基金项目: | 智能高效发动机活塞环联合检测生产线技术及产业化研发;光纤传输器件智能制造和检测装备研发及产业化 |
| |
摘 要: | 为了提高热轧钢带表面缺陷分类的检测准确率和速度,同时鉴于热轧钢带缺陷的数据库规模较小,提出结合参数迁移学习的卷积神经网络模型,来解决少量样本导致网络过拟合和精度低的问题。使用源域的最优参数作为模型的参数初始化,节省训练的周期;构建训练目标域的神经网络模型,使用预训练模型网络中的参数和结构,对目标域进行特征迁移;进行finetune,结合inception-v3结构的全连接层映射到目标域所需要的特征向量维度。实验使用现有热轧钢带表面缺陷数据库中的图片,有6类缺陷。通过对比改进AlexNet模型和结合迁移学习的模型,在测试集的实验平均准确率分别约为96.6%,99.8%,分类效果优于传统视觉分类算法。并且在实验中观察到结合参数迁移学习的损失更小和权重收敛速度更快。
|
关 键 词: | 参数迁移学习 卷积神经网络 热轧钢带 AlexNet finetune |
本文献已被 万方数据 等数据库收录! |
|