摘要：提出了一种基于迁移学习的铝型材表面质量检测方法;设计了一种以深度卷积神经网络为基础网络架构的迁移学习模型,实现了铝型材表面缺陷识别和分类。该模型以铝型材原始图像样本作为输入,通过深度卷积神经网络提取特征,输入Softmax分类器进行缺陷分类。通过实验分析,该模型在铝型材表面缺陷检测上具有可行性和一定的准确率。

摘要：首次提出了一种基于多流卷积神经网络PET瓶坯缺陷分类和识别系统。近年来,基于多流网络的特征融合方法在缺陷分类与质量检测中具有良好的应用前景。设计PET瓶坯质量检测平台用来采集图像样本,通过图像增强方式扩展样本数量,以防止深度学习中的过拟合现象。利用Sobel算子计算图像的梯度,并对其进行归一化处理。设计了一种采用最大值融合策略的多流卷积神经网络模型,实现了relu5层的特征融合。上述模型以PET瓶坯的原始图像以及其对应的梯度图像和缺陷区域图像作为输入,通过子网络提取特征,实现特征融合,然后输入到SVM分类器进行缺陷分类。通过实验分析,证明上述模型具有良好的收敛性、准确性、稳定性和泛化能力。

摘要：提出了一种基于残差网络和迁移学习的瓶坯表面质量检测方法,设计了一种采用ResNet的迁移学习网络模型,通过瓶坯图像采集平台来采集图像样本,通过图像增强方式扩展样本数量,实现瓶坯缺陷分类和识别。实验分析表明,该模型在瓶坯缺陷检测上具有可行性和一定的准确率。