典型文献
基于迁移学习的GH159螺栓热镦后头部缺陷识别
文献摘要：
为准确进行GH159螺栓热镦后头部缺陷识别,提出了基于迁移学习的缺陷识别方法,其中,不同场景亮度下的数据集分别设置为迁移学习的源域,目标域.首先,考虑域条件分布的多簇特点,使用K-means算法对同类缺陷数据进行簇划分,确定簇中心,并基于其构造新的分布差异度量;其次,为有效提升迁移学习计算效率,使用簇中心间距离以及各簇中心与该簇样本间距离,建立新的类内差异度量;最后,以分布差异度量与类内差异度量的加权和最小化为目标,准确识别不同场景亮度下的缺陷.针对所提出方法的参数设定需求,基于反向验证理念设计伪精度,并以其最大化进行参数确定.基于收集的GH159螺栓热镦后头部缺陷数据集,开展缺陷识别分析应用,验证所提出方法的有效性.
文献关键词：
迁移学习;缺陷识别;簇中心;分布差异;类内差异
中图分类号：
作者姓名：
黎磊;马钰淋;胡刚;孔雪峰;杨军;许彦伟
作者机构：
北京航空航天大学可靠性与系统工程学院,北京100191;中国船舶重工集团公司第七二二研究所,武汉430205;航天精工股份有限公司,天津300300
文献出处：
引用格式：
[1]黎磊;马钰淋;胡刚;孔雪峰;杨军;许彦伟-.基于迁移学习的GH159螺栓热镦后头部缺陷识别)[J].系统科学与数学,2022(01):175-192
A类：
GH159
B类：
迁移学习,螺栓,热镦,后头,缺陷识别,同场,亮度,源域,目标域,条件分布,多簇,means,缺陷数据,簇中心,分布差异,差异度,升迁,计算效率,心间,类内差异,加权和,准确识别,参数设定,反向验证,参数确定,识别分析,分析应用
AB值：
0.346824
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。
