融合迁移学习的AlexNet神经网络不锈钢焊缝缺陷分类

针对不锈钢焊缝缺陷特征提取存在主观单一性和客观不充分性等问题,提出一种融合迁移学习的AlexNet卷积神经网络模型,用于不锈钢焊缝缺陷的自动分类。首先,由于不锈钢焊缝缺陷数据较为缺乏,通过采用迁移学习对网络前3层冻结,减少网络对输入数据量的要求;对后2层卷积层提取的特征信息批量归一化(batch normalization,BN),以加快网络的收敛速度;并使用带泄露线性整流(leaky rectified linear unit,LeakyReLU)函数对抑制神经元进行激活,从而提高模型的鲁棒性和特征提取能力。结果表明,该模型最终达到了95.12%的准确率,相比原结构识别精度提高了9.8%。验证了改进后方法能够对裂纹、气孔、夹渣、未熔合和未焊透5类不锈钢焊缝缺陷实现高精度分类。相比现有方法,其识别面更广,精度更高,具有一定的工程实践意义。

基于AlexNet的焊缝缺陷分类方法

X射线检测作为一种实用的无损检测(NDT)方法,在压力容器的焊缝缺陷检测中得到了广泛的应用。基于X射线图像的自动缺陷识别技术也随着人工智能(AI)的发展取得了飞速发展。本文将焊缝缺陷裁剪成像素小块作为神经网络的输入,并在AlexNet的基础上通过添加BN层改进了原网络,而后又选取了最优α值的LeakyReLU层代替了原有的ReLU层,使最终的AlexNet-BN-L模型取得了高达88.80%的5折交叉验证平均准确率。

基于深度学习的焊缝缺陷X射线图像分类方法

针对工业领域中的焊缝缺陷分类难题,文中提出一种基于深度学习的分类方法,该方法借助图像分割技术形成专用的焊缝缺陷数据集,通过在数据集上的训练,使深度网络自动提取出缺陷特征并根据学到的特征对新分割出的缺陷区域进行分类,进而达到焊缝图像缺陷自动分类的目标。实验结果表明,该方法能够以96%的精度应用于目标场景。

基于卷积神经网络的焊缝缺陷图像分类研究

为有效地对焊缝缺陷进行分类,从而判断焊接质量的等级,对传统卷积神经网络进行改进,提出一种多尺度压缩激励网络模型(SINet)。将4组两两串联的3×3卷积模块与Inception模块、压缩激励模块(SE block)相结合。通过多尺度压缩激励模块(SI module)将卷积层中的特征进行多尺度融合和特征重标定以提高分类准确率,并用全局平均池化层代替全连接层减少模型参数。此外考虑到焊接缺陷数量不平衡对准确率的影响,采用深度卷积对抗生成网络(DCGAN)进行数据集的平衡处理,并在该数据集上验证模型的有效性。与传统卷积神经网络相比,该模型具有良好的性能,在测试集上准确率达到96.77%,同时模型的参数个数也明显减少。结果表明该方法对焊缝缺陷图像能进行有效地分类。