典型文献
CNN融合PCA-DT模型的金属缺陷识别研究
文献摘要：
针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络(CNN)和决策树(DT)的金属缺陷分类方法.利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类.引入主成分分析(PCA)方法对特征向量降维,减小过拟合并提升算法识别分类效率.为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据.实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习.
文献关键词：
金属缺陷识别分类;卷积神经网络;决策树;主成分分析
中图分类号：
作者姓名：
唐东林;周立;吴续龙;宋一言;秦北轩
作者机构：
西南石油大学 机电工程学院,成都 610065
文献出处：
引用格式：
[1]唐东林;周立;吴续龙;宋一言;秦北轩-.CNN融合PCA-DT模型的金属缺陷识别研究)[J].机械科学与技术,2022(09):1420-1427
A类：
金属缺陷识别,金属缺陷识别分类
B类：
DT,提取特征,中小规模,缺陷数据,缺陷分类,分类方法,决策树分类,入主,特征向量,过拟合,算法识别,通用性,识别率,机器学习方法,深度学习方法,持平,耗时间
AB值：
0.195145
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。
