基于认知视觉的钢材表面缺陷识别方法与系统研究

为解决传统钢材表面缺陷识别准确率和效率较低的现状,提升钢铁生产过程质量智能化检测水平,研究了一种应用认知视觉和迁移学习的钢材表面缺陷识别方法。首先,对钢材表面缺陷数据集进行了预处理;然后,建立深度神经网络框架,通过迁移学习训练模型,并采取全局平均池化,Dropout,动态改变学习率和训练早停等优化策略,抑制过拟合,提高模型的泛化能力;最后,进行了钢材表面缺陷识别实验,以冻结部分模型层级和微调的方式为主,通过对比实验不断寻找更优结果,准确率达到99.92%,并基于云边端协同思路设计了钢材表面缺陷识别认知视觉系统。实验结果表明,所训练模型具备较好的识别效果,所研究方法对实际应用具有一定的指导意义。