典型文献
基于边缘AI的焊缝X射线图像缺陷检测
文献摘要：
为了提高深度学习在X射线焊缝缺陷检测中的实用性,降低缺陷检测任务的硬件需求,提出模型参数量仅为3.6?M的YOLO-M网络.?通过在网络中引入轻量级的倒残差结构,减少网络计算量;采用多尺度预测机制,网络分层预测不同缺陷特征;跨网格扩增图片正样本信息,加快网络训练过程中的收敛速度.?结果表明,YOLO-M网络不仅应用于传统计算机,而且成功试验于超低功耗边缘人工智能芯片勘智K210中.?所提方法在嵌入式端的检测准确度为93.5％,检测速度为11帧/s.?该方法具有良好的检测准确度,极大降低了缺陷检测的成本.创新点:?(1)轻量级的焊缝缺陷识别网络,精准识别焊缝缺陷,具有较少的模型参数和较快的推理速度. (2)在低功耗边缘智能设备上完成焊缝缺陷识别任务,极大降低了自动质检工作的成本.
文献关键词：
缺陷检测;深度学习;轻量化;嵌入式设备
中图分类号：
作者姓名：
王睿;胡云雷;刘卫朋;李海涛
作者机构：
河北工业大学, 天津, 300131;哈尔滨工业大学, 先进焊接与连接国家重点实验室, 哈尔滨, 150001
文献出处：
引用格式：
[1]王睿;胡云雷;刘卫朋;李海涛-.基于边缘AI的焊缝X射线图像缺陷检测)[J].焊接学报,2022(01):79-84
A类：
B类：
高深,焊缝缺陷检测,出模,模型参数量,YOLO,轻量级,倒残差,残差结构,计算量,多尺度预测,预测机制,缺陷特征,网络训练,训练过程,收敛速度,超低功耗,边缘人工智能,人工智能芯片,K210,检测准确度,检测速度,创新点,缺陷识别,识别网络,精准识别,推理速度,边缘智能,智能设备,动质,质检工作,嵌入式设备
AB值：
0.41237
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。
