典型文献
基于卷积神经网络的磁瓦表面缺陷识别
文献摘要：
针对现有的磁瓦表面缺陷识别算法准确率低且泛化能力不足的问题,提出一种基于卷积神经网络的磁瓦表面缺陷识别算法.该算法在轻量级NASNet卷积神经网络的基础上,引入双线性模型增强网络的特征表达力,提高算法识别精度.其次,为了减少模型参数量与计算量,改进NASNet模型结构进行特征降维.同时采用Adam算法作为网络的优化算法,提高训练过程的平稳性和收敛速度;选择Leaky ReLU函数作为网络的激活函数,提高模型的鲁棒性.考虑小样本磁瓦数据集,引入Dropout、样本增强、迁移学习技术防止网络过拟合,提高网络模型的泛化能力.实验结果表明,该算法实现了小样本多类别磁瓦表面缺陷的高精度识别,平均识别精度达到98.8％,与轻量级NASNet相比平均识别率提升约2.49％.
文献关键词：
缺陷识别;双线性模型;Leaky ReLU激活函数;Adam算法;NASNet
中图分类号：
作者姓名：
祝礼佳;刘桂华;林杰
作者机构：
西南科技大学 信息工程学院,绵阳 621010
文献出处：
引用格式：
[1]祝礼佳;刘桂华;林杰-.基于卷积神经网络的磁瓦表面缺陷识别)[J].制造业自动化,2022(03):48-53
A类：
B类：
磁瓦,表面缺陷,缺陷识别,识别算法,泛化能力,轻量级,NASNet,双线性模型,模型增强,特征表达,表达力,算法识别,识别精度,模型参数量,计算量,模型结构,特征降维,Adam,提高训练,训练过程,平稳性,收敛速度,Leaky,ReLU,激活函数,小样本,Dropout,样本增强,迁移学习,学习技术,防止网络,过拟合,算法实现,多类别,高精度识别,识别率
AB值：
0.377483
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。
