模聚通標識上網做生意,首選模聚通會員 | | WAP瀏覽   
GF+
商務中心
商務中心
發布信息
發布信息
排名推廣
排名推廣
 

《模具工業》編輯委員會

名譽主任委員:曹春華 褚克辛 曹延安

主任委員:武兵書

副主任委員(按姓氏筆畫排):
申長雨院士 盧秉恒院士 葉 軍
李志剛   李德群院士 陳蘊博院士
鐘志華院士 趙紅一   崔 昆院士

委員(按姓氏筆畫排列):
孔 嘯  王 沖  王耕耘  王敏杰  王新云
劉全坤  劉春太  劉 斌  劉德普  朱曉兵
米永東  許發樾  阮 鋒  吳國峰  吳曉春
張 平  張恭運  張嘉敏  李建軍  李明輝
楊立群  楊 健  陳文琳  陳迎志  陳靜波
周永泰  周華民  周芝福  周 建  林建平
施良才  趙 震  夏琴香  郭 成  常世平
黃紹滸  彭響方  蔣 鵬  韓長茂  鮑明飛
廖宏誼  蔡考群  蔡紫金

主  管:中國機械工業集團有限公司

主  辦:桂林電器科學研究院有限公司

編輯出版:《模具工業》編輯部

主  編:王 沖

執行主編:李 捷

編輯部:劉靜  歐艷  李強

廣告部:蔣明周  黃嵐霞

地  址:廣西桂林市東城路8號

郵政編碼:541004

編輯部:0773-5605772 5888405
    5888145

廣告部:0773-5888172 5888372
    5861906

發行部:0773-5861906、5888372

傳  真:0773-5888375

電子信箱:[email protected]

網  址:www.srraer.tw

印  刷:桂林澳群彩印有限公司

總發行:桂林市郵局

訂閱處:全國各地郵局

郵發代號:48-31

國內定價:10.00元

國外代號:M5684

國外代理:中國國際圖書貿易集團公司

國外定價:$10.00

 

辦刊宗旨:

為行業服務,為企業服務,

為讀者服務,推動模具技術發展。

 

戰略合作單位:

 

基于遷移學習的塑件外觀缺陷柔性檢測方法

時間:2019-07-02   來源:《模具工業》   作者:胡詩堯,周華民,郭飛,劉家歡   瀏覽次數:359

標題:基于遷移學習的塑件外觀缺陷柔性檢測方法

作者:胡詩堯,周華民,郭飛,劉家歡(華中科技大學材料成形及模具技術國家重點實驗室,湖北武漢430074)

摘要:卷積神經網絡大數據與尺寸標注少、大數據與強計算之間的矛盾限制了塑件外觀檢測自動化的發展,遷移學習方法通過共享網絡結構、特征參數等方法,可以在樣本數量較少的情況下快速訓練新的模型,有效緩解上述矛盾。考慮塑件外觀缺陷種類繁多,但外觀缺陷特征基本一致,基于此,提出了共享模型中低維特征參數的柔性外觀缺陷檢測方法,該方法首先通過卷積神經網絡提取外觀缺陷的抽象特征,訓練一個目標檢測模型,在需要檢測類似缺陷時,將該模型最后一層重新初始化后作為預訓練模型,獲得識別該缺陷特征的經驗知識,最后通過少量樣本對重新初始化后的模型進行微調,快速訓練得到一個新的檢測模型。

關鍵詞:塑件;外觀檢測;卷積神經網絡;遷移學習;柔性檢測

中圖分類號:TG76;TP305 文獻標識碼:B 文章編號:1001-2168(2019)06-0001-08

DOI:10.16787/j.cnki.1001-2168.dmi.2019.06.001

Appearance defects detection method for plastics based on transfer learning

HU Shi-yao, ZHOU Hua-min, GUO Fei, LIU Jia-huan (State Key Laboratory of Material Processing and Die & Mould Technology, Huazhong University of Science and Technology, Wuhan, Hubei 430074, China)

Abstract: The contradiction between big data and less labeling, big data and strong calculation in convolutional neural networks limited the development of visual inspection automation. The transfer learning method could quickly alleviate the above contradiction by sharing the network structure, characteristic parameters and other methods, and training the new model quickly in a small sample. Considering the variety of defects on the parts, the common appearance defects were basically the same. Based on this, a flexible appearance defect detection method for low-dimensional characteristic parameters in the shared model was proposed. Firstly, the abstract features of appearance defects were extracted by convolutional neural network, and a target detection model was trained. When similar defects need to be detected, the last layer of the model was re-initialized as a pre-training model, so as to obtain the empirical knowledge of identifying the defects. Finally trained the re-initialized model with a small number of samples, and got a new detection model quickly.

Key words: plastic; appearance defect detection; convolution neural network; transfer learning; flexibility detection
 
 
0條 [查看全部]  相關評論
香港六合彩特码