期刊导航
期刊开放获取
cqvip
退出
期刊文献
+
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
任意字段
题名或关键词
题名
关键词
文摘
作者
第一作者
机构
刊名
分类号
参考文献
作者简介
基金资助
栏目信息
检索
高级检索
期刊导航
共找到
1
篇文章
<
1
>
每页显示
20
50
100
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
显示方式：
文摘
详细
列表
相关度排序
被引量排序
时效性排序
基于深度学习的磁瓦表面孔洞和裂纹缺陷识别
被引量：
15
1
作者
文喆皓
周敏
《兵器材料科学与工程》
CAS
CSCD
北大核心
2020年第6期106-112,共7页
针对磁瓦表面孔洞和裂纹缺陷识别效率低、误检及漏检率高等问题,提出基于深度学习的缺陷检测识别方法。先将缺陷区与非缺陷区进行分割,用整合型Unet提高分割精度,该模型在编码部分使用Inception模块,增强特征提取能力,在解码部分引入注...
针对磁瓦表面孔洞和裂纹缺陷识别效率低、误检及漏检率高等问题,提出基于深度学习的缺陷检测识别方法。先将缺陷区与非缺陷区进行分割,用整合型Unet提高分割精度,该模型在编码部分使用Inception模块,增强特征提取能力,在解码部分引入注意力机制,提高缺陷区域关注度;后将分割的图像与原图进行"与"运算,得缺陷灰度图;最后构建一个分类卷积神经网络对提取到的缺陷灰度图进行缺陷种类识别。结果表明:整合型Unet的分割性能强于Unet和Segnet,能有效分割缺陷,分类卷积神经网络对提取的缺陷区图像识别准确率达97.5%,满足磁瓦表面孔洞和裂纹缺陷识别要求。
展开更多
关键词
磁瓦
整合型
unet
注意力机制
分割
提取
分类识别
下载PDF
职称材料
题名
基于深度学习的磁瓦表面孔洞和裂纹缺陷识别
被引量：
15
1
作者
文喆皓
周敏
机构
武汉科技大学机械自动化学院
出处
《兵器材料科学与工程》
CAS
CSCD
北大核心
2020年第6期106-112,共7页
文摘
针对磁瓦表面孔洞和裂纹缺陷识别效率低、误检及漏检率高等问题,提出基于深度学习的缺陷检测识别方法。先将缺陷区与非缺陷区进行分割,用整合型Unet提高分割精度,该模型在编码部分使用Inception模块,增强特征提取能力,在解码部分引入注意力机制,提高缺陷区域关注度;后将分割的图像与原图进行"与"运算,得缺陷灰度图;最后构建一个分类卷积神经网络对提取到的缺陷灰度图进行缺陷种类识别。结果表明:整合型Unet的分割性能强于Unet和Segnet,能有效分割缺陷,分类卷积神经网络对提取的缺陷区图像识别准确率达97.5%,满足磁瓦表面孔洞和裂纹缺陷识别要求。
关键词
磁瓦
整合型
unet
注意力机制
分割
提取
分类识别
Keywords
magnetic tile
integrated
unet
attention mechanism
segmentation
extract
classification and recognition
分类号
TP391 [自动化与计算机技术—计算机应用技术]
下载PDF
职称材料
题名
作者
出处
发文年
被引量
操作
1
基于深度学习的磁瓦表面孔洞和裂纹缺陷识别
文喆皓
周敏
《兵器材料科学与工程》
CAS
CSCD
北大核心
2020
15
下载PDF
职称材料
已选择
0
条
导出题录
引用分析
参考文献
引证文献
统计分析
检索结果
已选文献
上一页
1
下一页
到第
页
确定
用户登录
登录
IP登录
使用帮助
返回顶部
