基于深度学习的连铸坯表面缺陷检测

论文摘要

采用提取图像的纹理、几何特征并利用支持向量机(support vector machine, SVM)进行检测和识别的方法,对宝山钢铁现有的连铸坯表面裂纹、凹陷、夹杂物、气孔、划痕等缺陷进行分析,缺陷检测准确率为83%.提出一种基于卷积神经网络(convolutional neural network,CNN)的方法进行缺陷检测.该方法对裂纹缺陷的检测准确率为93%,对其他缺陷(由于凹陷、夹杂物、气孔、划痕等缺陷数据较少,这些缺陷归为一类)的检测准确率为88%.实验结果表明,采用深度学习的方法能够有效检测、识别出具有缺陷的连铸坯,检测准确率较高.

论文目录

• 1 SVM
• 2 深度学习
•   2.1 AlexNet
•   2.2 NIN
• 3 实验结果及分析
• 4 结束语

文章来源

类型: 期刊论文

作者: 胡嘉成,王向阳,刘晗

关键词: 缺陷检测,支持向量机,深度学习

来源: 上海大学学报(自然科学版) 2019年04期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑,信息科技

专业: 金属学及金属工艺,计算机软件及计算机应用,自动化技术

单位: 上海大学通信与信息工程学院,上海金艺检测技术有限公司

分类号: TP391.41;TP18;TG245

页码: 445-452

总页数: 8

文件大小: 3572K

下载量: 315