基于深度网络跨层特征融合的氩弧焊点分类

传统卷积神经网络是通过由浅入深的特征提取,构建分类器进行图像分类,该方式容易忽略浅层特征。对工业过程收集的氩弧焊点图像,基于AlexNet网络进行修改,提出一种增强的AlexNet(en-AlexNet)网络,该方法使用批归一化进行数据归一化,引入跨连结构同时进行灵敏性分析,并嵌入Inception模块进行多尺度深度特征提取,将深层特征与浅层特征进行融合,最后使用softmax分类器来判别焊点是否合格。最终平均分类准确度达到98.13%,优于传统的支持向量机方法和其他的典型卷积神经网络模型。另外,模型的参数量、收敛速度和平均召回率均优于其他典型的卷积神经网络。结果验证了所提en-AlexNet网络在焊点的多类别分类上的有效性。