文献类型：期刊文章

作　　者：张人杰[1] 陈卫彬[3] 孙宏伟[3] 杨维姝[2] 袁明新[1]

ZHANG Renjie;CHEN Weibin;SUN Hongwei;YANG Weishu;YUAN Mingxin(Jiangsu University of Science and Technology(Zhangjiagang Campus),School of Mechatronics and Power Engineering,Zhangjiagang 215600,Jiangsu,China;Jiangsu University of Science and Technology(Zhangjiagang Campus)School of Metallurgy and Materials Engineering,Zhangjiagang 215600,Jiangsu,China;Jiangsu Automation Research Institute,Lianyungang 222006,Jiangsu,China)

机构地区：[1]江苏科技大学(张家港校区)机电与动力工程学院,江苏张家港215600 [2]江苏科技大学(张家港校区)冶金与材料工程学院,江苏张家港215600 [3]江苏自动化研究所,江苏连云港222006

出　　处：《船舶工程》

基　　金：工信部高技术船舶科研项目([2019]360号)。

年　　份：2021

卷　　号：43

期　　号：8

起止页码：131-137

语　　种：中文

收录情况：BDHX、BDHX2020、CSCD、CSCD_E2021_2022、JST、ZGKJHX、核心刊

摘　　要：针对船舶焊缝缺陷检测中存在定位困难和识别效率低问题,提出基于AP聚类和深度卷积神经网络的检测方法。采用基于距离最值的M-SMOTE算法进行焊缝样本不平衡数据集处理,实现少数类新样本的精细化生成,并提出基于AP聚类的深度卷积神经网络模型。模型先基于几何特征、强度特征和背景对比反差进行11个焊缝缺陷特征提取和AP聚类,并将聚类结果作为神经网络输入;采用自适应PCA法对网络进行降维,在保证识别准确率的基础上,通过参数化方法简化降维步骤。试验表明,在通用焊缝数据集上,文中模型的识别率高达98.87%,与准确率较高的VGG模型相比,训练时间缩短12.10%,模型存储减小11.94%;在船舶焊缝数据集上,文中模型的总体识别率达到98.00%,对比准确率较高的DNN模型,其准确率提高了3.33%。

关 键 词：船舶焊缝  缺陷检测  卷积神经网路  聚类分析 降维

分 类 号：TP242] U664.82]