摘要
针对现有方法在手机外壳缺陷检测过程中存在耗时长、准确率低和需要手工提取特征等问题,提出了一种基于空间金字塔池的卷积神经网络与极限学习机相结合的缺陷检测方法。首先,在经典卷积神经网络AlexNet中引入空间金字塔池化,作为网络结构的最后一层池化层,构建特征提取模型并进行模型的预训练。使得不同维度的图片可以输入网络,更完整地提取原始图片的特征信息。然后,在检测阶段,用极限学习机对训练模型提取的特征进行缺陷分类检测。实验过程中,对2400张三种不同类型手机外壳缺陷图片测试集进行检测,获得98%以上的检测精度。结果表明:所提方法能够实现特征的自动提取,有效检测出缺陷类型,检测精度相对于传统卷积神经网络提高了5%左右。
作者
任金梅
仲志丹
李跃松
樊浩杰
REN Jin-mei;ZHONG Zhi-dan;LI Yue-song;FAN Hao-jie
出处
《制造业自动化》
CSCD
北大核心
2021年第5期22-27,共6页
Manufacturing Automation
基金
国家自然科学基金项目(51605145)。
