基于轻量级CNN与主动学习的工件疵病识别方法研究

摘要：

应用图像识别技术实现工件疵病自动检测可以提高效率,降低人工成本.卷积神经网络(CNN)具有很强的特征提取能力,广泛应用于图像识别等领域.但是,已提出的网络模型普遍存在参数量和计算量巨大,以及海量工件数据集中、人工标注成本高等缺点,很难应用于工件疵病的实时自动识别.本文提出了一种基于轻量级CNN与主动学习的工件疵病识别方法,该方法通过深度可分离卷积和反转残差卷积构建一种轻量级卷积神经网络,并在识别过程中采用主动学习方法不断添加标注样本.实验表明,提出的方法识别精度达到98.3％,并且能节省18.8％的人力标注成本.

关键词：卷积神经网络(CNN)、主动学习、轻量级、疵病识别

所属期刊栏目：30

资助基金：国家自然科学基金61871350

在线出版日期：2020-05-15（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：325-332