模聚通標識上網做生意,首選模聚通會員 | | WAP瀏覽   
GF+
商務中心
商務中心
發布信息
發布信息
排名推廣
排名推廣
 

《模具工業》編輯委員會

名譽主任委員:褚克辛 曹延安

主任委員:武兵書

副主任委員(按姓氏筆畫排):
申長雨院士 盧秉恒院士 葉 軍
李志剛 李德群院士 陳蘊博院士
趙紅一 鐘志華院士 崔 昆院士

委員(按姓氏筆畫排列):
孔 嘯  王 沖  王耕耘  王敏杰  王新云
劉全坤  劉春太  劉 斌  莊新村  阮 鋒
吳曉春  張 平  李志廣  李建軍  李明輝
楊 健  陳文琳  陳靜波  周華民  周芝福
周江奇  林建平  夏琴香  聶蘭啟  黃志超
彭響方  蔣炳炎  蔣 鵬  廖宏誼  蔡紫金

主  管:中國機械工業集團有限公司

主  辦:桂林電器科學研究院有限公司

編輯出版:《模具工業》編輯部

主  編:王 沖

執行主編:李 捷

副 主 編:劉 靜

編 輯 部:歐 艷  李 強

廣 告 部:蔣明周  黃嵐霞

地  址:廣西桂林市東城路8號

郵政編碼:541004

編 輯 部:0773-5888145 5888405

廣 告 部:0773-5605772

發 行 部:0773-5861906

傳  真:0773-5888375

電子信箱:mjgy1975@163.com

網  址:www.manlong-group.com

印  刷:桂林澳群彩印有限公司

總發行:桂林市郵局

訂閱處:全國各地郵局

郵發代號:48-31

國內定價:15.00元

國外代號:M5684

國外代理:中國國際圖書貿易集團公司

國外定價:$15.00

 

辦刊宗旨:

為行業服務,為企業服務,

為讀者服務,推動模具技術發展。

 

戰略合作單位:

 

基于雙通道卷積神經網絡的缺陷檢測

時間:2020-11-10   來源:《模具工業》   作者:張翠,楊志清,周茂杰   瀏覽次數:265

?作者:張翠1,楊志清1,周茂杰2(1.桂林理工大學博文管理學院,廣西桂林541006;2.桂林理工大學,廣西桂林541004)

摘要:利用深度學習方法進行塑料產品缺陷檢測時,存在訓練樣本不足,網絡層次增加產生的梯度消失和梯度爆炸等問題,采用殘差網絡ResNet和壓縮與激勵網絡SENet相結合,構建深度學習模型,解決梯度消失、梯度爆炸和注意力分布的問題,利用工業生產中的產品圖像進行缺陷檢測試驗,經過2種試驗結果分析,該算法有效提高了產品缺陷檢測的準確率和召回率。

關鍵詞:ResNet;SENet;缺陷檢測;塑料產品;深度學習

中圖分類號:TG76 文獻標識碼:B 文章編號:1001-2168(2020)11-0013-05

DOI:10.16787/j.cnki.1001-2168.dmi.2020.11.003

 

Defect detection based on double channel convolutional neural network method

ZHANG Cui1, YANG Zhi-qing1, ZHOU Mao-jie(1.Bowen College of Management, Guilin University of Technology, Guilin, Guangxi 541006, China; 2.Guilin University of Technology, Guilin, Guangxi 541004, China)

Abstract: In the process of plastic product defect detection by using deep learning method, there were some problems, such as insufficient training samples, gradient disappearance

and explosion caused by increasing network level, etc.. Combined ResNet with SENet to build a deep learning model, it solved the problems of gradient disappearance and explosion, and attention distribution. Images in industrial production were used to conduct defect detection experiments. Through the analysis of two experimental results, the algorithm could effectively improve the accuracy rate and recall rate of product defect detection.

Key words: ResNet; SENet; defect detection; plastic products; deep learning

 
 
0條 [查看全部]  相關評論
AV国产欧美天堂在线