典型文献
基于AW-Net的轮毂射线图像分割算法
文献摘要：
针对传统方法下的汽车轮毂内部缺陷检测效率低、精度达不到工业标准的问题,本文提出了 一种基于改进U-Net神经网络的轮毂X射线图像缺陷分割方法AW-Net.该方法通过三级跳跃连接的方式级联两个U型网络对图像特征进行深度提取.同时在跳跃连接的过程中融合注意力机制以解决小目标的变化情况容易被漏检的问题,并通过实验验证结合使用多种激活函数来实现更精准的轮毂X射线图像语义分割,增加网络的拟合能力,提高网络的鲁棒性.实验结果表明:改进后的算法在本文构建数据集的汽车轮毂内部缺陷的误判率为2.73％,漏判率为0,识别率达到93％以上,其分割精度高于传统图像分割网络全卷积网络(fully convolutional network,FCN)和U-Net,且本方法边缘分割更加平坦,满足现代轮毂内部缺陷无损检测的需要.
文献关键词：
轮毂射线图像;缺陷识别;深度学习;图像分割;U-Net
中图分类号：
作者姓名：
曹富强;王明泉;张俊生;邵亚璐
作者机构：
中北大学信息与通信工程学院,山西太原030051;太原工业学院电子工程系,山西太原030051
文献出处：
引用格式：
[1]曹富强;王明泉;张俊生;邵亚璐-.基于AW-Net的轮毂射线图像分割算法)[J].光电子·激光,2022(01):45-52
A类：
轮毂射线图像
B类：
AW,Net,图像分割算法,汽车轮毂,内部缺陷,缺陷检测,检测效率,缺陷分割,分割方法,三级跳,跳跃连接,图像特征,注意力机制,小目标,漏检,结合使用,激活函数,图像语义分割,误判率,漏判率,识别率,分割网络,全卷积网络,fully,convolutional,network,FCN,边缘分割,平坦,无损检测,缺陷识别
AB值：
0.364154
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。
