改进DenseNet模型在工件表面粗糙度视觉检测中的应用

作者：周友行; 易倩; 杨文佳; 赵文杰

来源：机械科学与技术, 2023, 1-6.

DOI：10.13433/j.cnki.1003-8728.20230010

• 粗糙度检测
• 深度学习
• DenseNet
• 模型剪枝

针对原始DenseNet模型检测工件表面粗糙度时间长、准确率较低的问题，结合卷积层滤波器注意力机制和批归一化层缩放系数提出一种工件表面粗糙度检测的深度学习模型。首先，利用注意力重要性值判定模块内的冗余通道。其次，在Dense Block模块内引入批归一化层缩放系数判别特征通道的重要程度。最后联合卷积层滤波器的注意力重要性值和批归一化层缩放系数裁剪冗余通道，实现模型剪枝。实验结果表明，原始DenseNet模型检测工件表面粗糙度的准确率为91.875%，检测时间为483s。当剪枝率为20%时，其检测效果最好，检测准确率为96.875%，检测时间为255s。相比于原始DenseNet模型，改进后的DenseNet模型检测效果更好，在质量检测领域方面具有一定的应用前景。

• 出版日期2023
• 单位湘潭大学