改进GoogLeNet模型在光纤连接器端面缺陷识别中的应用

作     者：周友行 翟明龙 杨文佳 杨沛 潘恒 ZHOU Youhang;ZHAI Minglong;YANG Wenjia;YANG Pei;PAN Heng

作者机构：湘潭大学机械工程与力学学院湖南湘潭411105 湘潭大学复杂轨迹加工工艺及装备教育部工程研究中心湖南湘潭411105 

基　　金：国家自然科学基金(52175254) 湖南省研究生科研创新项目(CX20220603) 

出 版 物：《湘潭大学学报（自然科学版）》 (Journal of Xiangtan University(Natural Science Edition))

年 卷 期：2023年第45卷第4期

页      码：41-49页

摘      要：光纤连接器作为实现光纤之间连接的重要光无源器件,其端面表面质量的好坏会影响到光纤传输性能.经典卷积神经网络模型结构较为复杂,网络参数较多,无法满足光纤连接器端面缺陷图像识别的实时性要求.为了解决上述问题,该文设计了一种改进的GoogLeNet模型,在保障模型识别准确率的同时可提升模型的推理速度.首先,提出一种轻量化的Inception结构,减少了网络参数,保留了更多的缺陷图像的细节信息.其次,由于光纤连机器端面缺陷多为小微缺陷,对纹理特征等信息的依赖较大,通过在网络模型中引入高效通道注意力机制(ECA-Net)模块,着重提取图像中的缺陷特征.最后,对GoogLeNet模型进行改进,减少网络参数,提高模型分类性能.实验结果表明,改进的GoogLeNet模型的分类精度为95.7%,每秒传输帧数(FPS)达到了173.相较于AlexNet、VGG16、VGG19和原始的GoogLeNet模型,在保证分类精度基本一致的情况下,单张图像的推理速度分别提升了90.8%、82.9%、83.2%和81.5%.

主 题 词：GoogLeNet 光纤连接器 缺陷分类 深度学习 

学科分类：1305[艺术学-设计学类] 13[艺术学] 08[工学] 081104[081104] 0804[工学-材料学] 081101[081101] 0811[工学-水利类] 

D　O　I：10.13715/j.issn.2096-644X.20230321.0001

馆 藏 号：203123299...