文档名：融合深度迁移学习和改进ThunderNet的瓷砖表面缺陷检测
摘要：瓷砖生产过程中由于环境的复杂性和随机性导致缺陷特性各异,实际中要构建大规模、高质量的瓷砖表面缺陷数据样本非常困难,而小样本条件下的可分特征信息不足对瓷砖表面缺陷检测的精度有较大影响.针对这一问题,探索了一种融合深度迁移学习和改进两阶段ThunderNet网络的瓷砖表面缺陷检测方法.首先,提出了一种基于改进ThunderNet网络的瓷砖表面缺陷检测模型,阐述了模型的结构与功能特点;其次,构造了瓷砖表面缺陷深度特征空间参数迁移决策机制,以有效提升样本特征表征能力;第三,基于可切换空洞卷积(switchableatrousconvolution,SAC)优化ShuffleNet骨干网络,增强模型对缺陷形状变化的学习能力;第四,提出了基于多尺度映射和通道注意力(squeezeandexcitation,SE)的特征融合算法,实现有限特征层次中瓷砖表面缺陷特征信息多层次差异化表征;最后,给出了融合深度迁移学习和改进ThunderNet网络的瓷砖表面缺陷检测算法.实验数据表明,在相同的瓷砖表面缺陷测试集上,本文方法对于小样本条件下瓷砖表面缺陷检测具有优越的性能,模型平均精度、平均召回率和平均检测速度分别达到87.22％、93.69％、61.6ms/img,与传统ThunderNet模型相比,平均精度和平均召回率分别提高了9.30％、4.16％,其中,基于SAC最优空洞率组合{1,2},模型精度提高了5.51％,基于SE的最优压缩率24,模型精度提高了6.16％,基于本文迁移机制,模型精度提高了3.86％,同时加速了网络收敛.本文方法相比于传统ThunderNet网络和其他主流检测模型,通过迁移机制知识共享提高小样本对象特征表达能力,通过引入SAC和SE在控制模型规模的前提下实现对象特征的层次化表征,有效提升了模型的实时性和可靠性.
Abstract：Duetothecomplexityandrandomnessoftheenvironmentintheproductionprocessofceramictiles,itisverydifficulttoconstructlarge-scaleandhigh-qualityceramictilesurfacedefectdatasamples,andtheinsufficientdistinguishablefeatureinformationunderfew-shotconditionshasagreatimpactontheaccuracyofceramictilesurfacedefectdetection.Tosolvethisproblem,atilesurfacedefectdetectionmethodbasedondeeptransferlearningandimprovedtwo-stageThunderNetnetworkisexplored.Firstly,atilesurfacedefectdetectionmodelbasedontheimprovedThunderNetnetworkisproposed,andthestructureandfunctionalcharacteristicsofthemodelareelaborated.Secondly,thedecision-makingmechanismforspatialparametertransferoftilesurfacedefectdepthfeaturesisconstructedtoeffectivelyimprovethecharacterizationabilityofsamplefeature.Third,theShuffleNetbackbonenetworkisoptimizedbasedonSwitchableAtrousConvolution(SAC)toenhancethemodel'slearningabilitytothechangeableshapeofdefects.Fourth,afeaturefusionalgorithmbasedonmulti-scalemappingandsqueezeandexcitation(SE)isproposedtorealizethemulti-leveldifferentiatedcharacterizationoftilesurfacedefectfeatureinformationinalimitedfeaturelevel.Finally,atilesurfacedefectdetectionalgorithmforfusiondeeptransferlearningandimprovedThunderNetnetworkisgiven.Theexperimentaldatashowthatonthesametilesurfacedefecttestdataset,theproposedmethodhassuperiorperformanceforthedetectionoftilesurfacedefectsunderfew-shotconditions,andtheaverageaccuracy,averagerecallandaveragedetectionspeedofthemodelreach87.22％,93.69％and61.6ms/img,respectively,comparedwiththetraditionalThunderNetmodel,theaverageaccuracyandaveragerecallareimprovedby9.30％and4.16％,respectively,amongwhich,basedontheSACoptimalatrousratiocombination{1,2},Themodelaccuracyisimprovedby5.51％,themodelaccuracyisimprovedby6.16％basedontheoptimalcompressionratioofSE24,andthemodelaccuracyisimprovedby3.86％basedonthetransfermechanisminthispaper,andthenetworkconvergenceisaccelerated.ComparedwiththetraditionalThunderNetnetworkandothermainstreamdetectionmodels,theproposedmethodimprovestheexpressionabilityoffew-shotobjectfeaturesthroughknowledgesharingoftransfermechanism,andrealizeshierarchicalrepresentationofobjectfeaturesbyintroducingSACandSEunderthepremiseofcontrollingthescaleofthemodel,whicheffectivelyimprovesthereal-timereliabilityandreliabilityofthemodel.
作者：陈克琼 卓士虎 赵晨曦 傅立涛 王家铭 李帷韬 Author：ChenKeqiong ZhuoShihu ZhaoChenxi FuLitao WangJiaming LiWeitao
作者单位：合肥大学先进制造工程学院合肥230601合肥工业大学电气与自动化工程学院合肥230009
刊名：电子测量与仪器学报 ISTICPKU
Journal：JournalofElectronicMeasurementandInstrumentation
年，卷(期)：2024, 38(3)
分类号：TP391.4
关键词：瓷砖表面缺陷检测 可切换空洞卷积 迁移学习 通道注意力 特征融合 小样本
Keywords：tilesurfacedefectdetection switchableatrousconvolution transferlearning channelattention featurefusion few-shot
机标分类号：TP305TN911.7TP274
在线出版日期：2024年7月8日
基金项目：国家自然科学基金，安徽省自然科学基金青年项目，安徽省高等学校科学研究项目融合深度迁移学习和改进ThunderNet的瓷砖表面缺陷检测[
期刊论文] 电子测量与仪器学报--2024, 38(3)陈克琼 卓士虎 赵晨曦 傅立涛 王家铭 李帷韬瓷砖生产过程中由于环境的复杂性和随机性导致缺陷特性各异,实际中要构建大规模、高质量的瓷砖表面缺陷数据样本非常困难,而小样本条件下的可分特征信息不足对瓷砖表面缺陷检测的精度有较大影响.针对这一问题,探索了一种...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
融合深度迁移学习和改进ThunderNet的瓷砖表面缺陷检测 Integrated deep transfer learning and improved ThunderNet in tile surface defect detection
融合深度迁移学习和改进ThunderNet的瓷砖表面缺陷检测.pdf
- 文件大小:
- 13.58 MB
- 下载次数:
- 60
-
高速下载
|
|
