基于改进MobileNetV2网络的涂层表面缺陷识别方法

针对涂层表面缺陷检测工业化应用过程中对识别准确率和速度的需求,本文在MobileNetV2网络的基础上提出一种涂层表面缺陷识别方法。设计了递进式分类器,通过逐层筛选压缩有用特征实现高精度的快速识别操作,并在骨干中加入跨局部连接结构,以丰富网络中的基础特征并增加特征尺度信息。将交叉验证和迁移学习相结合以优化训练方法,在大幅度缩减训练耗时的同时使网络具有更优的初始状态和更快的性能提升率。结果表明:本文方法在采集的涂层表面缺陷数据集上准确率达到了99.48%,速度和精确度分别提升11.74%、8.38%,参数量降低20.89%,训练时间缩短36.77%,与其他分类网络相比,在综合考虑准确率和速度的情况下具有最佳表现。本文方法同时具有较高的识别准确率、较快的识别速度和较短的训练耗时,符合实际工业应用需求。