文献类型：期刊文章

作　　者：李丹[1] 王慢慢[1] 刘俊德[1] 陈凤[1]

Lia Dan;Wang Manman;Liu Junde;Chen Feng(College of Electrical and Information Engineering,Anhui linirersily of Technology,Mu'anshan 243032,China)

机构地区：[1]安徽工业大学电气与信息工程学院,马鞍山243032

出　　处：《仪器仪表学报》

基　　金：安徽省自然科学基金(2108085MF225)项目资助。

年　　份：2022

卷　　号：43

期　　号：3

起止页码：240-248

语　　种：中文

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

摘　　要：带钢表面缺陷识别对促进带钢生产质量提升至关重要。然而传统的图像处理与识别方法存在精度不高、且容易受到光线等因素影响;而新兴的基于深度学习的算法,则存在模型参数量大且难以部署等问题,无法在实际生产中得到广泛应用。本文提出了一种轻量级部分深度混合可分离网络(PDMSNet)用于解决以上问题,由于其模型小以及浮点型运算(FLOPs)少更易于部署在资源受限的平台。采用标准的带钢表面缺陷数据集NEU-CLS的测试结果表明,与其他缺陷分类器相比,在带钢表面缺陷检测方面,本文所提出的模型性能更加优越。识别准确率达到了99.78%,而参数量只有0.17 M以及272 M FLOPs,在单一低端的GeForce MX250图形处理单元(GPU)识别一张图片平均时间为0.47 ms,可以满足工业现场实时检测的要求。

关 键 词：带钢表面缺陷分类  轻量级网络  深度混合可分离模块  部分拼接模块  

分 类 号：TP391.41] TH164[计算机类]