结合随机子空间和级联残差网络的缺陷检测

摘要：

针对基于深度学习的表面缺陷检测方法中的小样本问题,提出一种结合随机子空间和级联残差网络的缺陷检测方法(RSM-MTResNet).该方法将缺陷数据分解为多个随机子空间,在每个子空间上构建残差网络,通过级联多个残差网络得到融合特征.在NEU表面缺陷数据集上进行实验,运用了混淆矩阵和F1值来评估模型性能.结果表明该方法的分类准确率为97.66％,比传统CNN方法的准确率高了14.5％,F1值均提高10.0％以上,这证明了该方法不仅能在一定程度解决小样本问题,同时能获得较高的识别性能.

关键词：缺陷检测、深度学习、随机子空间、级联残差网络、小样本

所属期刊栏目：56

分类号：TP398.1(计算技术、计算机技术)

资助基金：广东省省级科技计划项目;广州市科技计划项目

在线出版日期：2020-12-04（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：265-269