论文摘要
针对玻璃缺陷形态复杂多变,难以准确识别其所属类型的特点,文章提出了一种集成深度学习模型对玻璃缺陷进行识别,该模型本质上是一种稀疏编码分类器与深度卷积神经网络的结合;该模型在自编码器的基础上引进了KL距离和L1范数作为稀疏项,构成新的稀疏自编码器;并在次通过稀疏自编码器学习输入样本特征,将训练好的权值作为卷积神经网络的卷积核从而提高了识别速度;在稀疏编码阶段用L1-L2范数代替L0范数,并在KSVD上添加了判别分类能力使其更好地进行分类运算,以此提高识别准确率;实验结果表明,该方法识别准确率达到了95%,满足了工程上的应用,并有很好的鲁棒性。
论文目录
文章来源
类型: 期刊论文
作者: 张丹丹,金永,胡缤予,赵宇帆
关键词: 卷积神经网络,玻璃缺陷识别,算法,稀疏自编码
来源: 计算机测量与控制 2019年02期
年度: 2019
分类: 信息科技,工程科技Ⅰ辑
专业: 无机化工,计算机软件及计算机应用
单位: 中北大学信息与通信工程学院
基金: 山西省回国留学人员科研资助项目(2016-084)
分类号: TP391.41;TQ171.65
DOI: 10.16526/j.cnki.11-4762/tp.2019.02.047
页码: 216-220
总页数: 5
文件大小: 640K
下载量: 158
相关论文文献
- [1].基于置信规则和证据推理的超声检测缺陷识别[J]. 中国测试 2017(04)
- [2].荧光磁粉探伤缺陷识别系统的研究现状与关键技术[J]. 铁道机车车辆工人 2008(08)
- [3].基于新型深度神经网络的民机表面缺陷识别[J]. 计算技术与自动化 2020(01)
- [4].基于机器学习的软件缺陷识别的必要性[J]. 电脑知识与技术 2017(25)
- [5].基于边缘计算的机巡图像缺陷识别算法研究[J]. 自动化与仪器仪表 2020(07)
- [6].基于温度阈值风电叶片缺陷识别的红外检测研究[J]. 太阳能学报 2020(08)
- [7].基于漏磁内检测的缺陷识别方法[J]. 仪器仪表学报 2016(11)
- [8].平板玻璃缺陷识别系统设计[J]. 重庆科技学院学报(自然科学版) 2017(02)
- [9].基于多特征点的船舶焊缝图像缺陷识别技术[J]. 舰船科学技术 2019(24)
- [10].基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究[J]. 齐齐哈尔大学学报(自然科学版) 2020(02)
- [11].内控缺陷识别框架的初探[J]. 商业文化(上半月) 2011(12)
- [12].基于决策树自动构造的组装缺陷识别[J]. 制造业自动化 2009(08)
- [13].企业内控缺陷识别影响因素的因子分析[J]. 中国集体经济 2016(09)
- [14].基于参数转化和遗传算法的内部多缺陷识别算法的性能分析[J]. 红外技术 2014(09)
- [15].X射线图像缺陷识别的特征参数选择及其识别[J]. 无线互联科技 2012(11)
- [16].基于顺序向前浮动搜索时频优选特征的缺陷识别[J]. 浙江大学学报(工学版) 2011(12)
- [17].基于迁移学习与深度森林的晶圆图缺陷识别[J]. 浙江大学学报(工学版) 2020(06)
- [18].基于深度学习的化工金属材料焊接小目标缺陷识别定位研究[J]. 材料保护 2020(08)
- [19].小型零件边缘缺陷识别算法研究[J]. 机电一体化 2017(07)
- [20].基于生成对抗网络的缸盖表面缺陷识别[J]. 制造业自动化 2020(11)
- [21].超声波检测中缺陷识别及其影响因素[J]. 企业技术开发 2011(13)
- [22].基于层级识别模型的输电线路杆塔小金具缺陷识别方法[J]. 电力信息与通信技术 2020(09)
- [23].基于深度学习算法的带钢表面缺陷识别[J]. 西安工程大学学报 2017(05)
- [24].基于小波和灰度共生矩阵的带钢表面缺陷识别[J]. 制造技术与机床 2020(02)
- [25].深度学习在输电线路工程验收智能缺陷识别中的应用[J]. 江西电力 2020(02)
- [26].基于聚合通道特征的防震锤锈蚀缺陷识别算法[J]. 计算技术与自动化 2020(02)
- [27].天然气管道内检测信号分析与缺陷识别技术研究[J]. 管道技术与设备 2019(04)
- [28].深度学习在硅钢钢片缺陷识别中的应用[J]. 数字技术与应用 2017(12)
- [29].基于模糊核支持向量机的管道磁记忆检测缺陷识别[J]. 石油学报 2010(05)
- [30].基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法[J]. 焊接学报 2020(01)