基于改进EfficientNetV2的带钢表面缺陷识别

针对现有带钢表面缺陷识别算法准确率低、参数冗余的问题,提出基于改进高效卷积神经网络(EfficientNetV2)的带钢表面缺陷识别。首先,在EfficientNetV2网络中引入DropPath正则化方法用于随机失活网络分支结构,防止网络过拟合;其次,提出利用Newton插值法建立网络各模块堆叠倍率与网络层级之间的非线性关系,通过非线性衰减策略,优化EfficientNetV2中各模块堆叠倍率,减少冗余参数,提高网络识别速度;最后,考虑小样本问题,在数据准备阶段引入数据增强方法,提高样本多样性,在训练阶段引入模型微调方法迁移网络浅层参数,提高模型泛化能力。实验结果表明,该方法可以有效减少83.3%的网络参数,提高57%的检测速度,增加2.5%的检测精度。