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: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
赵红一 钟志华院士 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  庄新村  阮 锋
吴晓春  张 平  李志广  李建军  李明辉
杨 健  陈文琳  陈静波  周华民  周芝福
周江奇  林建平  夏琴香  聂兰启  黄志超
彭响方  蒋炳炎  蒋 鹏  廖宏谊  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

副 主 编:刘 静

编 辑 部: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:0773-5888145 5888405

广 告 部:0773-5605772

发 行 部:0773-5861906

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:15.00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:$15.00

 

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:

 

基于双通道卷积神经网络的缺陷检测

时间:2020-11-10   来源:《模具工业》   作者:张翠,杨志清,周茂杰   浏览次数:276

​作者:张翠1,杨志清1,周茂杰2(1.桂林理工大学博文管理学院,广西桂林541006;2.桂林理工大学,广西桂林541004)

摘要:利用深度学习方法进行塑料产品缺陷检测时,存在训练样本不足,网络层次增加产生的梯度消失和梯度爆炸等问题,采用残差网络ResNet和压缩与激励网络SENet相结合,构建深度学习模型,解决梯度消失、梯度爆炸和注意力分布的问题,利用工业生产中的产品图像进行缺陷检测试验,经过2种试验结果分析,该算法有效提高了产品缺陷检测的准确率和召回率。

关键词:ResNet;SENet;缺陷检测;塑料产品;深度学习

中图分类号:TG76 文献标识码:B 文章编号: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条 [查看全部]  相关评论