首页|基于深度学习One-stage方法的焊缝缺陷智能识别研究

基于深度学习One-stage方法的焊缝缺陷智能识别研究

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
目前基于深度学习的卷积神经网络在对焊缝缺陷射线图像进行智能识别时,多采用基于候选区域的two-stage方法,检测速度难以满足实时性要求.针对该问题,提出基于深度卷积神经网络的one-stage焊缝缺陷识别定位算法,将整张图像输入网络,并直接在输出图像上标定目标缺陷位置及类别.通过采用特征金字塔、减小网络深度、引入跳跃连接卷积块和K-means算法等方法对YOLO网络进行改进,提高了网络对焊缝缺陷识别定位的准确率和速度.实验结果表明:该方法比two-stage识别定位算法和YOLO原网络在检测速度和检测精度方面都有所提升,单个图像的平均识别准确率为94.9％,召回率为94.1％,处理时间为19.58 ms,具备焊缝缺陷在线实时识别的工程应用价值.
One-stage identification method for weld defects based on deep learning network

李砚峰、刘翠荣、吴志生、孙前来、朱彦军、李科

展开 >

太原科技大学 材料科学与工程学院,太原 030024

太原科技大学 电子信息工程学院,太原 030024

深度学习 焊缝缺陷 智能识别

2018YFA0707305201901D111265201801D121082

2021

10.13624/j.cnki.issn.1001-7445.2021.0362

广西大学学报(自然科学版)
广西大学

广西大学学报(自然科学版)

CSTPCD北大核心
影响因子：0.767
ISSN：1001-7445
年,卷(期)：2021.46(2)
  • 12
  • 5