典型文献
基于改进深度置信网络的木板表面缺陷检测模型
文献摘要：
为了提高木板表面缺陷检测精度,采用连续型深度置信网络(DBN)建立木板表面缺陷检测模型.首先,对待检测的木板图片进行关键特征提取,并建立DBN检测模型.然后,将木板图片特征输入DBN的多个受限玻尔兹曼机(RBM)层进行深度训练,从而利用DBN的深度优势来获得木板表面缺陷检测结果.最后,引入人工蜂群(ABC)算法对DBN的权重参数进行优化从而缩短训练时间.实例测试实验结果表明:选择学习速率为0.075时,ABC-DBN算法在划痕、刮痕、裂缝、崩缺4类样本集中的均方根误差(RMSE)均值性能更优.采用卷积神经网络(CNN)、快速区域卷积神经网络(Faster R-CNN)、自适应增强卷积神经网络(AdaBoost-CNN)和ABC-DBN算法分别进行检测准确率对比实验.结果显示,ABC-DBN算法检测准确率RMSE为5.067×10-2,是最优结果,Adaboost-CNN算法次之,CNN算法最差.
文献关键词：
深度置信网络;木板表面;缺陷检测;受限玻尔兹曼机;人工蜂群算法;卷积神经网络;快速区域卷积神经网络;自适应增强卷积神经网络
中图分类号：
作者姓名：
李馥颖;杨大为;黄海
作者机构：
沈阳理工大学 艺术设计学院,辽宁 沈阳,110159;沈阳理工大学 信息科学与工程学院,辽宁 沈阳,110159
文献出处：
引用格式：
[1]李馥颖;杨大为;黄海-.基于改进深度置信网络的木板表面缺陷检测模型)[J].南京理工大学学报（自然科学版）,2022(06):728-734
A类：
木板表面,自适应增强卷积神经网络
B类：
进深,深度置信网络,表面缺陷检测,检测模型,检测精度,连续型,DBN,立木,板图,关键特征,图片特征,受限玻尔兹曼机,RBM,层进,深度训练,ABC,短训,训练时间,测试实验,选择学习,学习速率,划痕,刮痕,样本集,RMSE,快速区域卷积神经网络,Faster,AdaBoost,检测准确率,Adaboost,人工蜂群算法
AB值：
0.218109
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
