購物車(0)
基于深度學習的連鑄坯表面缺陷檢測
胡嘉成; 王向陽; 劉晗 上海大學通信與信息工程學院; 上海200444; 上海金藝檢測技術有限公司; 上海201900
關鍵詞：缺陷檢測 支持向量機 深度學習
摘要：采用提取圖像的紋理、幾何特征并利用支持向量機(support vector machine,SVM)進行檢測和識別的方法,對寶山鋼鐵現(xiàn)有的連鑄坯表面裂紋、凹陷、夾雜物、氣孔、劃痕等缺陷進行分析,缺陷檢測準確率為83%.提出一種基于卷積神經(jīng)網(wǎng)絡(convolutional neural network,CNN)的方法進行缺陷檢測.該方法對裂紋缺陷的檢測準確率為93%,對其他缺陷(由于凹陷、夾雜物、氣孔、劃痕等缺陷數(shù)據(jù)較少,這些缺陷歸為一類)的檢測準確率為88%.實驗結果表明,采用深度學習的方法能夠有效檢測、識別出具有缺陷的連鑄坯,檢測準確率較高.
上海大學學報·自然科學版雜志要求:
{1}稿件請?zhí)峁┑谝蛔髡吆屯ㄐ抛髡吆喗椋ㄐ彰?、出生年、性別、學歷、職稱、研究方向、通訊地址、聯(lián)系電話和E-mail等。
{2}如稿件以前已有回復意見,請將以往郵件一并附上。
{3}文中一級標題、二級標題、三級標題、四級標題的序號用“一、……”“1.……”“（1）……”標示。盡量不使用三級或三級以上的標題。
{4}參考文獻：本著“最新、重要、必要”的原則列出相關文獻，文獻應是正式出版物，未正式發(fā)表的資料不能作為文獻引用。
{5}中英文關鍵詞,關鍵詞是用來表達、揭示文章主題內(nèi)容的、具有檢索價值的詞或者詞組，通常5個左右為宜。
注：因版權方要求，不能公開全文，如需全文，請咨詢雜志社
相關期刊
