文献类型：期刊文章

作　　者：常江[1] 管声启[1,2] 师红宇[3] 胡璐萍[1] 倪奕棋[1]

Chang Jiang;Guan Shengqi;Shi Hongyu;Hu Luping;Ni Yiqi(School of Mechanical and Electronic Engineering,Xi'an Polytechnic University,Xi'an,Shaanxi 710048,China;Shaoxing Keqiao West-Tex Textile Industry Innovative Institute,Shaoxing,Zhejiang 312030,China;School of Computer Science,Xi'an Polytechnic University,Xi'an,Shaanxi 710048,China)

机构地区：[1]西安工程大学机电工程学院,陕西西安710048 [2]绍兴市柯桥区西纺纺织产业创新研究院,浙江绍兴312030 [3]西安工程大学计算机科学学院,陕西西安710048

出　　处：《激光与光电子学进展》

基　　金：陕西省重点研发计划(2018GY-020);绍兴市柯桥区西纺纺织产业创新研究院(19KQYB13)。

年　　份：2021

卷　　号：58

期　　号：4

起止页码：213-218

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD2021_2022、IC、JST、RCCSE、SCOPUS、WOS、ZGKJHX、核心刊

摘　　要：针对数据集样本数量较少会影响深度学习检测效果的问题,提出了一种基于改进生成对抗网络和MobileNetV3的带钢缺陷分类方法。首先,引入生成对抗网络并对生成器和判别器进行改进,解决了类别错乱问题并实现了带钢缺陷数据集的扩充。然后,对轻量级图像分类网络MobileNetV3进行改进。最后,在扩充后的数据集上训练,实现了带钢缺陷的分类。实验结果表明,改进的生成对抗网络可生成比较真实的带钢缺陷图像,同时解决深度学习中样本不足的问题;且改进的MobileNetV3参数量是原有参数量的1/14左右,准确率为94.67%,比改进前提高了2.62个百分点,可在工业现场对带钢缺陷进行实时准确的分类。

关 键 词：图像处理 缺陷检测  图像分类 生成对抗网络  数据增强  

分 类 号：TP391.4]