科研之友
微信
新浪微博
Facebook
分享链接
摘要
高速流水线生产的棒状物极易产生各种表面缺陷，但基于传统图像处理的缺陷识别方法易受环境影响、可靠性低，而基于深度学习的缺陷识别方法存在模型过大、识别准确率受制于样本数量等问题。因此，本文提出了一种基于改进SqueezeNet的棒状物表面缺陷识别系统。设计了可获取圆周对称小体积棒状物全表面图像的采集装置，并在轻量级卷积神经网络SqueezeNet中引入注意力模块以改善模型的特征提取效果，利用数据平衡方法提升数据集内少数类样本的识别准确率，利用迁移学习的方法进行深度学习训练，减轻数据集样本不足对训练效果的影响。以生产线上的卷烟烟支为研究对象，采集其圆周表面图像进行实验，结果表明，改进方法在少样本条件下的分类准确率达到了94.49%,其中对于少数类样本的F1分数提高了31.19%,单张图像检测时间约1.66 ms,模型轻量化，可满足工业生产线中棒状物实时缺陷识别的需求。
- 出版日期2023
- 单位郑州机械研究所有限公司; 郑州大学
