基于DR-CNN方法的图像质量评价

传统卷积神经网络的图像质量评价方式是通过对图像特征分析进行评价,但是传统手段不仅受到周围噪声限制而且评价出的结果与主观图像评价有一定的差距。对原有卷积神经网络技术进行改进,提出DR-CNN方法,即在图像进入卷积层前加入降维层,从而减小客观图像质量评价与主观图像质量评价之间的差距,同时有效地提高图像处理的计算速度。

热轧带材多缺陷和单缺陷表面质量综合预报

针对目前热轧带材表面质量缺陷类型多、产生机理不同,不能实现在线诊断的问题,提出融合各降维层深度置信网络模型的热轧带材多缺陷和单一缺陷表面质量问题综合预报技术。考虑传统深度置信网络在模型层数和节点数方面的不足,提出并建立了融合各降维层的深度置信网络模型,降低由于网络算法节点个数及层数不确定性造成的预报误差,并利用相关性将经典深度置信网络预报结果和各降维层的预报结果融合为唯一预报值。针对热轧带材生产过程表面质量多缺陷问题,考虑不同表面质量缺陷影响因素不同,建立了热轧带材表面质量多缺陷和单缺陷综合诊断策略模型。将所建模型应用到某热轧厂带材表面翘皮、铁皮印和毛刺等多缺陷预报,结果表明,该模型缺陷预报准确度达80%以上,这对热轧带材多缺陷表面质量具有良好的诊断效果。