-
题名CNN融合PCA-DT模型的金属缺陷识别研究
被引量：3
- 1
-
-
作者
唐东林
周立
吴续龙
宋一言
秦北轩
-
机构
西南石油大学机电工程学院
-
出处
《机械科学与技术》
CSCD
北大核心
2022年第9期1420-1427,共8页
-
基金
四川省科技支撑项目(2017FZ0033)
成都市技术创新研发项目(2018-YF05-00201-GX)
西南石油大学国家重点实验室项目(PLN201828)。
-
文摘
针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络(CNN)和决策树(DT)的金属缺陷分类方法。利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类。引入主成分分析(PCA)方法对特征向量降维,减小过拟合并提升算法识别分类效率。为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据。实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习。
-
关键词
金属缺陷识别分类
卷积神经网络
决策树
主成分分析
-
Keywords
classification of metal defects
convolutional neural network
decision tree
principal component analysis
-
分类号
TG115
[金属学及工艺—物理冶金]
TP391.41
[自动化与计算机技术—计算机应用技术]
-
