文献类型：期刊文章

作　　者：郑祥盘[1] 宋国进[1]

ZHENG Xiangpan;SONG Guojin(College of Physics and Electromic Information Engineering,Minjiang University,Fuzhou 350108,China)

机构地区：[1]闽江学院物理与电子信息工程学院

出　　处：《厦门大学学报（自然科学版）》

基　　金：福建省引导性项目（2019H0028）;福州市科技计划项目（2018G85）;闽江学院校级项目（MJY19029,MJUS2019A006）

年　　份：2019

卷　　号：58

期　　号：6

起止页码：922-928

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、BIOSISPREVIEWS、CAS、CSA、CSA-PROQEUST、CSCD、CSCD_E2019_2020、INSPEC、JST、MR、PROQUEST、RCCSE、RSC、WOS、ZGKJHX、ZMATH、ZR、核心刊

摘　　要：起重机是一种使用广泛的物流设备,然而在长期高负载运作下,由于机械磨损、疲劳断裂产生的裂纹以及长期暴露于高温、潮湿环境下造成的机械腐蚀是无法避免的问题.传统的人工检测,一方面无法保证检测人员的作业安全,另一方面无法保证检测的全面性.因此,提出一种基于深度卷积神经网络的起重机金属结构缺陷视觉检测算法.由于起重机金属结构缺陷图像数据的规模小于深层次卷积神经网络所需的数据规模,容易导致过拟合,故先设计浅层次的卷积神经网络模型,再采用深层次的卷积神经网络训练浅层次卷积神经网络,得到一个深层次与浅层次的双网络并行模型,以此达到提高浅层次卷积神经网络检测的准确性和鲁棒性.实验上,通过双网络并行模型算法与单网络模型、传统机器视觉识别方式的实验性能对比,验证了该算法的有效性和更好的鲁棒性.

关 键 词：起重机 双网络  并行模型  视觉检测 卷积神经网络 缺陷  

分 类 号：TP23]