模聚通标识上网做生意,首选模聚通会员 | | WAP浏览   
GF+
商务中心
商务中心
发布信息
发布信息
排名推广
排名推广
 

《模具工业》编辑委员会

名誉主任委员:曹春华 褚克辛 曹延安

主任委员:武兵书

副主任委员(按姓氏笔画排):
申长雨院士 卢秉恒院士 叶 军
李志刚   李德群院士 陈蕴博院士
钟志华院士 赵红一   崔 昆院士

委员(按姓氏笔画排列):
孔 啸  王 冲  王耕耘  王敏杰  王新云
刘全坤  刘春太  刘 斌  刘德普  朱晓兵
米永东  许发樾  阮 锋  吴国峰  吴晓春
张 平  张恭运  张嘉敏  李建军  李明辉
杨立群  杨 健  陈文琳  陈迎志  陈静波
周永泰  周华民  周芝福  周 建  林建平
施良才  赵 震  夏琴香  郭 成  常世平
黄绍浒  彭响方  蒋 鹏  韩长茂  鲍明飞
廖宏谊  蔡考群  蔡紫金

主  管:中国机械工业集团有限公司

主  办:桂林电器科学研究院有限公司

编辑出版:《模具工业》编辑部

主  编:王 冲

执行主编:李 捷

编辑部:刘静  欧艳  李强

广告部:蒋明周  黄岚霞

地  址:广西桂林市东城路8号

邮政编码:541004

编辑部:0773-5605772 5888405
    5888145

广告部:0773-5888172 5888372
    5861906

发行部:0773-5861906、5888372

传  真:0773-5888375

电子信箱:mjgy1975@163.com

网  址:www.moulds.com.cn

印  刷:桂林澳群彩印有限公司

总发行:桂林市邮局

订阅处:全国各地邮局

邮发代号:48-31

国内定价:10.00元

国外代号:M5684

国外代理:中国国际图书贸易集团公司

国外定价:$10.00

 

办刊宗旨:

为行业服务,为企业服务,

为读者服务,推动模具技术发展。

 

战略合作单位:

 

基于迁移学习的塑件外观缺陷柔性检测方法

时间:2019-07-02   来源:《模具工业》   作者:胡诗尧,周华民,郭飞,刘家欢   浏览次数:260

标题:基于迁移学习的塑件外观缺陷柔性检测方法

作者:胡诗尧,周华民,郭飞,刘家欢(华中科技大学材料成形及模具技术国家重点实验室,湖北武汉430074)

摘要:卷积神经网络大数据与尺寸标注少、大数据与强计算之间的矛盾限制了塑件外观检测自动化的发展,迁移学习方法通过共享网络结构、特征参数等方法,可以在样本数量较少的情况下快速训练新的模型,有效缓解上述矛盾。考虑塑件外观缺陷种类繁多,但外观缺陷特征基本一致,基于此,提出了共享模型中低维特征参数的柔性外观缺陷检测方法,该方法首先通过卷积神经网络提取外观缺陷的抽象特征,训练一个目标检测模型,在需要检测类似缺陷时,将该模型最后一层重新初始化后作为预训练模型,获得识别该缺陷特征的经验知识,最后通过少量样本对重新初始化后的模型进行微调,快速训练得到一个新的检测模型。

关键词:塑件;外观检测;卷积神经网络;迁移学习;柔性检测

中图分类号:TG76;TP305 文献标识码:B 文章编号:1001-2168(2019)06-0001-08

DOI:10.16787/j.cnki.1001-2168.dmi.2019.06.001

Appearance defects detection method for plastics based on transfer learning

HU Shi-yao, ZHOU Hua-min, GUO Fei, LIU Jia-huan (State Key Laboratory of Material Processing and Die & Mould Technology, Huazhong University of Science and Technology, Wuhan, Hubei 430074, China)

Abstract: The contradiction between big data and less labeling, big data and strong calculation in convolutional neural networks limited the development of visual inspection automation. The transfer learning method could quickly alleviate the above contradiction by sharing the network structure, characteristic parameters and other methods, and training the new model quickly in a small sample. Considering the variety of defects on the parts, the common appearance defects were basically the same. Based on this, a flexible appearance defect detection method for low-dimensional characteristic parameters in the shared model was proposed. Firstly, the abstract features of appearance defects were extracted by convolutional neural network, and a target detection model was trained. When similar defects need to be detected, the last layer of the model was re-initialized as a pre-training model, so as to obtain the empirical knowledge of identifying the defects. Finally trained the re-initialized model with a small number of samples, and got a new detection model quickly.

Key words: plastic; appearance defect detection; convolution neural network; transfer learning; flexibility detection
 
 
0条 [查看全部]  相关评论