典型文献
基于迁移学习的磁瓦缺陷分类方法
文献摘要：
针对磁瓦缺陷检测时存在的缺陷样本量少、类别不平衡、模型训练过拟合等问题,提出了一种基于迁移学习的磁瓦缺陷分类方法.该方法在大型图像数据集ImageNet上预训练深层卷积神经网络VGG16,然后使用迁移学习方法将模型迁移到磁瓦缺陷分类研究中,先冻结模型前几层的参数,再用磁瓦缺陷数据集训练调整后的全连接层,并在测试集上测试模型的分类效果.实验结果显示,6类磁瓦缺陷识别准确率达到了 98.69％,明显高于人工分类精度和传统机器视觉分类方法识别精度.该方法实现了较高的磁瓦缺陷分类准确率,同时也极大缩短了训练时间,为工业生产中的实际应用提供了可靠的依据.
文献关键词：
迁移学习;VGG16;少样本;磁瓦缺陷
中图分类号：
作者姓名：
李昊璇;刘海峡
作者机构：
山西大学物理电子工程学院,山西太原030006
文献出处：
引用格式：
[1]李昊璇;刘海峡-.基于迁移学习的磁瓦缺陷分类方法)[J].测试技术学报,2022(04):314-319
A类：
磁瓦缺陷
B类：
缺陷分类,分类方法,缺陷检测,样本量,类别不平衡,模型训练,过拟合,图像数据集,ImageNet,预训练,深层卷积神经网络,VGG16,迁移学习方法,模型迁移,分类研究,冻结,几层,缺陷数据,集训,全连接层,测试集,测试模型,分类效果,缺陷识别,识别准确率,工分,分类精度,机器视觉,视觉分类,方法识别,识别精度,分类准确率,训练时间,少样本
AB值：
0.356148
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
