-
题名基于轻量化二值神经网络的钢铁表面缺陷分类
- 1
-
-
作者
卓晨涛
吴丽君
-
机构
福州大学物理与信息工程学院
-
出处
《光电子技术》
2024年第4期317-323,共7页
-
基金
国家自然科学基金项目(62271151)
福建省自然科学基金项目(2021J01580)。
-
文摘
基于二值化网络提出了轻量二值化钢铁缺陷分类网络(Lightweight Binarized Steel Defect Classification Network,LBSDC-Net),以期实现实时高精度的钢铁缺陷自动分类。首先,基于可变阈值符号函数和组卷积的理念,设计了双阈值型组卷积模块,以在压缩网络模型的同时最小化二值组卷积引起的信息损失,将基础网络模型大小降低了31.2%,精度仅下降0.34%;其次,通过调整下采样卷积的步长并结合最大池化,降低了残差网络中捷径分支下采样时的信息损失,提升了网络的分类性能;在NEU-CLS钢铁缺陷数据集上的实验结果表明,网络模型大小为11.86 MBit时,LBSDC-Net网络在钢铁缺陷分类任务中准确率达到99.06%。相较于基础网络Bi-Real-Net98.73%的准确率和17.23 MBit的网络模型大小,LBSDC-Net实现了网络规模的有效压缩,还提升了分类精度。
-
关键词
二值神经网络
轻量化
深度学习
钢铁缺陷
分类
-
Keywords
binarized neural network
lightweight
deep learning
steel defect
classification
-
分类号
TN911.7
[电子电信—通信与信息系统]
TP391.4
[自动化与计算机技术—计算机应用技术]
-
-
题名基于两种U型网络的钢铁图像缺陷检测方法对比
被引量：3
- 2
-
-
作者
师伟婕
黄静静
王茂发
-
机构
北京信息科技大学理学院
桂林电子科技大学计算机与信息安全学院
-
出处
《北京信息科技大学学报（自然科学版）》
2021年第1期63-68,共6页
-
基金
北京市教育委员会科技计划项目一般项目(KM201811232020)。
-
文摘
针对钢铁图像缺陷检测问题,使用U型的深度学习神经网络模型U-Net和ResUNet对有缺陷的钢铁图像进行图像分割。通过python对钢铁图像进行数据统计,分析每类缺陷占比,以及缺陷数量与缺陷面积的关系。通过数据生成器依次将数据输入U-Net和Res-UNet模型,对比在相同损失函数下的Tversky系数和损失率。实验结果表明,Res-UNet模型的Tversky系数优于U-Net模型,且Res-UNet模型损失率低于U-Net模型,Res-UNet模型可以更准确地预测钢铁缺陷位置和缺陷类别。
-
关键词
U-Net
Res-UNet
图像分割
钢铁缺陷
-
Keywords
U-Net
Res-UNet
image segmentation
steel defects
-
分类号
TP391.41
[自动化与计算机技术—计算机应用技术]
-
