典型文献
基于轻量级卷积神经网络的带钢表面缺陷识别
文献摘要：
带钢表面缺陷识别对促进带钢生产质量提升至关重要.然而传统的图像处理与识别方法存在精度不高、且容易受到光线等因素影响;而新兴的基于深度学习的算法,则存在模型参数量大且难以部署等问题,无法在实际生产中得到广泛应用.本文提出了一种轻量级部分深度混合可分离网络(PDMSNet)用于解决以上问题,由于其模型小以及浮点型运算(FLOPs)少更易于部署在资源受限的平台.采用标准的带钢表面缺陷数据集NEU-CLS的测试结果表明,与其他缺陷分类器相比,在带钢表面缺陷检测方面,本文所提出的模型性能更加优越.识别准确率达到了 99.78％,而参数量只有0.17 M以及272 M FLOPs,在单一低端的GeForce MX250图形处理单元(GPU)识别一张图片平均时间为0.47 ms,可以满足工业现场实时检测的要求.
文献关键词：
带钢表面缺陷分类;轻量级网络;深度混合可分离模块;部分拼接模块
中图分类号：
作者姓名：
李丹;王慢慢;刘俊德;陈凤
作者机构：
安徽工业大学电气与信息工程学院 马鞍山 243032
文献出处：
引用格式：
[1]李丹;王慢慢;刘俊德;陈凤-.基于轻量级卷积神经网络的带钢表面缺陷识别)[J].仪器仪表学报,2022(03):240-248
A类：
PDMSNet,MX250,带钢表面缺陷分类,深度混合可分离模块,部分拼接模块
B类：
轻量级卷积神经网络,缺陷识别,生产质量,光线,模型参数量,离网,浮点,FLOPs,资源受限,采用标准,缺陷数据,NEU,CLS,分类器,钢表面缺陷检测,模型性能,识别准确率,低端,GeForce,图形处理单元,GPU,一张图,ms,工业现场,实时检测,轻量级网络
AB值：
0.257504
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。
