在陶瓷药瓶生产过程中,容易出现瓶口破碎或不完整等情况.为解决陶瓷瓶口的缺陷检测问题,本文提出了一种基于卷积神经网络CaffeNet模型的陶瓷瓶口分类方法.该方法利用工业生产的瓶口残次品和正品建立样本数据集,利用卷积神经网络的卷积层和池化层对残次品、正品的图像特征进行提取,通过求得最小的交叉熵损失来获取适配本样本数据集的最佳权重,已达到较好的分类效果.此外,在给定相同数量测试数据集的情况下,使用CPU、GTX 1060 Mobile、GTX Titan X Pascal和华为Atlas200DK对给定数据集进行分类所需要的功耗进行对比.实验结果表明,在使用相同的权重文件的情况下,对一定数量的测试数据集进行分类,华为Atlas200DK在达到97％以上准确率的同时,所需时间与GTX Titan X Pascal持平,功耗达到最低,可为工业化检测药瓶缺口提供一种高效的、低能耗的方案.
Defect Detection of Industrial Bottle Mouth Based on CaffeNet
万方数据
维普
