典型文献
基于深度学习的线圈炮缺陷自动检测与分类
文献摘要：
线圈炮的管道内壁长期工作在高温、高压及强电磁作用下,容易形成多种烧蚀疵病而使线圈炮效能、安全及服役寿命降低,而人工检测缺陷效率低下.针对此问题,本文提出基于深度学习来实现线圈炮缺陷的自动检测与分类.首先采用双边滤波算法进行样本图像增强,降低噪声对成像的影响,并基于单样本几何变换的数据增强策略扩充样本数量,提高模型的适应性.然后比较了Alexnet、VGG16和Resnet18这三种经典深度卷积神经网络模型的性能,结果表明三个模型的平均类识别率分别为94.8％、94.5％和94.5％,单张图像缺陷检出率分别为94.1％、93.3％和94.7％,三者的结果相差不大.但在对480张测试集图像预测的花费总时间上,Alexnet仅需要0.32秒即可完成全部预测,远远少于VGG16和Resnet18所花费的时间,二者分别用时9.19秒和11.04秒.随后引入了Grad-CAM表征每个像素对该类图像的重要程度,结果显示模型对图像缺陷区域更敏感.最后基于C#语言开发了能自动化完成模型训练与缺陷分类的软件,大大提高了检测效率.
文献关键词：
线圈炮;深度学习;缺陷检测;图像增强
中图分类号：
作者姓名：
田浩杰;杨晓庆;翟晓雨
作者机构：
四川大学电子信息学院,成都 610065
文献出处：
引用格式：
[1]田浩杰;杨晓庆;翟晓雨-.基于深度学习的线圈炮缺陷自动检测与分类)[J].现代计算机,2022(10):86-91
A类：
B类：
线圈炮,自动检测,内壁,强电,烧蚀,疵病,服役寿命,双边滤波算法,图像增强,低噪声,单样本,几何变换,数据增强策略,样本数量,Alexnet,VGG16,Resnet18,深度卷积神经网络,卷积神经网络模型,识别率,单张,测试集,花费,所花,Grad,CAM,像素,重要程度,C#,成模,模型训练,缺陷分类,检测效率,缺陷检测
AB值：
0.411224
相似文献
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。
