基于二值卷积神经网络的钢铁缺陷检测

缺陷检测是钢铁生产质量管控的重要一环,基于视觉和深度学习的钢铁缺陷自动检测受到了广泛关注。针对卷积神经网络计算及存储资源要求高的问题,基于二值卷积神经网络实现了轻量的钢铁缺陷检测网络。具体地,基于空洞卷积,设计了一种具有分支结构的可融合的二值卷积神经网络,在降低了参数和计算量的同时,有效提升分类准确率。实验结果表明,该网络参数大小为ResNet-18的6.99%,在NEU-CLS数据集上表面缺陷识别率接近最新的全精度PSO-Gabor-CNN算法,达到98.11%。