文献类型：期刊文章

作　　者：冯毅雄[1] 赵彬[1] 郑浩[1] 高一聪[1] 杨晨[1,2] 谭建荣[1]

FENG Yixiong;ZHAO Bin;ZHENG Hao;GAO Yicong;YANG Chen;TAN Jianrong(State Key Laboratory of Fluid Power and Mechatronic Systems, Zhejiang University, Hangzhou 310027, China;Wanxiang Group Institute, Hangzhou 311215, China)

机构地区：[1]浙江大学流体动力与机电系统国家重点实验室,浙江杭州310027 [2]万向集团公司研究院,浙江杭州311215

出　　处：《计算机集成制造系统》

基　　金：国家自然科学基金资助项目(51821093,51805472,51935009);浙江省自然科学基金资助项目(LZ18E050001)~~

年　　份：2019

卷　　号：25

期　　号：12

起止页码：3199-3208

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CSA、CSA-PROQEUST、CSCD、CSCD2019_2020、EI、IC、INSPEC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对轴件表面缺陷分析过程中存在小样本和实时检测效率低的问题,提出一种集成迁移学习的轴件表面缺陷实时检测方法。首先通过相似领域图片的迁移学习,减少对人工大规模标注数据的经验性依赖,采用主成分分析法完成表面缺陷的降维和关键特征向量提取,建立轴件表面缺陷的特征空间,并利用空间位置求解迁移学习的源领域,降低领域间距离度量的复杂度;其次通过训练源领域图片的特征提取器,将特征提取器的网络权值迁移至YOLO V3目标检测模型中,完成相似领域的知识迁移,建立高速生产状态下的轴件表面缺陷实时检测模型。试验表明,该方法在轴件生产现场的实时检测中具有较高的准确度和鲁棒性,集成后的算法模型各类缺陷正检率达97%以上,平均精度均值的方差值缩小近3倍。

关 键 词：轴件表面缺陷  主成分分析 集成迁移学习  YOLO  V3目标检测算法  

分 类 号：TP391]