典型文献
基于深度网络跨层特征融合的氩弧焊点分类
文献摘要：
传统卷积神经网络是通过由浅入深的特征提取,构建分类器进行图像分类,该方式容易忽略浅层特征.对工业过程收集的氩弧焊点图像,基于AlexNet网络进行修改,提出一种增强的AlexNet(en-AlexNet)网络,该方法使用批归一化进行数据归一化,引入跨连结构同时进行灵敏性分析,并嵌入Inception模块进行多尺度深度特征提取,将深层特征与浅层特征进行融合,最后使用softmax分类器来判别焊点是否合格.最终平均分类准确度达到98.13％,优于传统的支持向量机方法和其他的典型卷积神经网络模型.另外,模型的参数量、收敛速度和平均召回率均优于其他典型的卷积神经网络.结果验证了所提en-AlexNet网络在焊点的多类别分类上的有效性.
文献关键词：
改进AlexNet网络;跨连结构;特征融合图像分类;可视化分析;卷积神经网络;焊接点
中图分类号：
作者姓名：
王贲武;黄峰
作者机构：
中国计量大学计量测试工程学院,浙江 杭州 310018
文献出处：
引用格式：
[1]王贲武;黄峰-.基于深度网络跨层特征融合的氩弧焊点分类)[J].计算机集成制造系统,2022(04):1011-1019
A类：
跨连结构,特征融合图像分类
B类：
深度网络,跨层特征融合,氩弧焊,焊点,由浅入深,分类器,工业过程,AlexNet,en,批归一化,数据归一化,灵敏性分析,Inception,深度特征提取,深层特征,softmax,平均分,支持向量机方法,卷积神经网络模型,参数量,收敛速度,召回率,多类别分类,焊接点
AB值：
0.315341
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。
