/Automatic-detection-technology

基于深度学习的热轧带钢表面缺陷自动检测技术

Primary LanguagePython

基于深度学习的热轧带钢表面缺陷自动检测技术

Automatic detection technology for surface defects of hot-rolled strip steel based on deep learning

1

基于Pytorch框架初步搭建了一套用于缺陷检测的CNN网络(Convolutional Neural Networks),借助带标签数据,使用交叉验证的数据集分配方法,对网络进行训练和检测,实验表明,在训练轮次为100轮的条件下,我们的网络识别正确率可达68%;

2

为了充分利用现有数据集,提高模型的泛化性能,我们给现有数据集加上高斯噪声,对数据集进行旋转平移等操作;

3

为了减弱网络模型的过拟合现象,我们采用神经元随机失活(Dropout)方法,通过随机让部分神经元临时不参与计算的方式,减少神经元之间的依赖,迫使网络学习更加普适化的特征;

4

为了减少参数数量,提升运算速度,我们改变最初的网络,采用一种轻量化的网络(EffNet),这种网络相比于传统轻量化网络(SqueezeNet、MobileNet等),在参数量基本相同的情况下,识别精度更高;

5

为了增加自动检测系统的交互性能,我们借助pyqt5设计了具有统计缺陷数量和显示识别结果功能的GUI界面,并将相关代码移植到Linux操作系统下,通过树莓派运行,经检测识别正确率可达94%;