版权所有:内蒙古大学图书馆 技术提供:维普资讯• 智图
内蒙古自治区呼和浩特市赛罕区大学西街235号 邮编: 010021
作者机构:中国地质大学(武汉)自动化学院武汉430074 邵阳先进制造技术研究院湖南邵阳422100 华中科技大学机械科学与工程学院武汉430074
出 版 物:《控制与决策》 (Control and Decision)
年 卷 期:2025年第40卷第2期
页 面:432-440页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 081104[工学-模式识别与智能系统] 08[工学] 080203[工学-机械设计及理论] 0835[工学-软件工程] 0802[工学-机械工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:国家自然科学基金项目(52375520) 湖南省区域联合基金项目(2023JJ50037) 湖北省重点研发计划项目(2023BAB172,2023DJC173)
主 题:缺陷检测 竹片 OTSU算法 LBP算法 ResNet50 迁移学习
摘 要:在竹片表面缺陷检测中,竹片表面缺陷形状各异,成像环境脏乱,现有基于卷积神经网络(CNN)的目标检测方法面对这样特定的数据时检测准确率较低;竹片来源复杂且有其他条件限制,例如不同季节成色各异等限制,无法采集所有类型的数据,导致竹片表面缺陷数据量少,以至于CNN不能充分学习.针对以上问题,提出一种改进的ResNet50网络与迁移学习结合的竹片缺陷识别方法.首先,将获得的正负样本数据按照一定比例分为训练集、验证集和测试集;其次,利用OTSU算法和LBP算法对竹片图像进行二值化处理和特征提取,以减少噪音影响;最后,将ResNet50作为骨干网络加入L_(2)正则化和标签平滑与迁移学习结合,得到适应于竹片缺陷检测识别的优化模型.将所提检测网络与VGG16、DenseNet121、ResNet50以及目前常用于工业检测的YOLOv3分别在相同比例训练测试集上进行训练和测试.实验结果表明,在竹片数据集上所提检测网络的平均精度均值(mAP)比VGG16、DenseNet121、YOLOv3和ResNet50分别提高了23.45%、18.6%、19.51%和2.76%.所提方法能够针对形状各异的竹片表面缺陷进行有效检测,且降低时间消耗,在实际工业运用中具有很好的效果.