基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法
文档名：基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法
摘要：为了提高管道缺陷漏磁图像识别的准确率,提出了一种基于低层特征融合多核卷积神经网络的方法.首先构造一个由多卷积核Concat操作构成的Concatenation模块,由3个Concatenation模块和全连接层构成识别模型,该模型能得到不同尺度的信息.然后对原始图像进行下采样操作,与经过第一个Concatenation模块卷积操作后得到的特征映射进行融合,就能得到更多的空间、颜色、轮廓等信息,再经过两层Concatenation模块进行特征提取最后分类.结果表明:融合了原始图像的低层特征后的模型对管道漏磁缺陷的识别率相较于CNN提高了7.5％,相较于传统的机器学习算法准确率提升了11.5％.
作者：米亚鑫郎宪明韩富丞李雪川Author：MIYa-xinLANGXian-mingHANFu-chengLIXue-chuan
作者单位：辽宁石油化工大学信息与控制工程学院,辽宁抚顺113001
刊名：当代化工 ISTIC
Journal：ContemporaryChemicalIndustry
年，卷(期)：2023, 52(3)
分类号：TE973.6
关键词：特征融合漏磁低层特征卷积神经网络
机标分类号：TP391.41TS805TP181
在线出版日期：2023年4月18日
基金项目：国家自然科学基金，国家自然科学基金，中国博士后科学基金资助项目，辽宁省博士科研启动基金计划项目，辽宁省教育厅项目，辽宁石油化工大学引进人才科研启动基金资助项目基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法[
期刊论文]当代化工--2023, 52(3)米亚鑫郎宪明韩富丞李雪川为了提高管道缺陷漏磁图像识别的准确率,提出了一种基于低层特征融合多核卷积神经网络的方法.首先构造一个由多卷积核Concat操作构成的Concatenation模块,由3个Concatenation模块和全连接层构成识别模型,该模型能得到...参考文献和引证文献
参考文献
引证文献
本文读者也读过
相似文献
相关博文
基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法Magnetic Flux Leakage Image Recognition Method of Pipeline Defects Based on Low-level Feature Fusion Multi-core Convolution Neural Network
基于低层特征融合多核卷积神经网络的管道缺陷漏磁图像识别方法.pdf
页:
[1]