基于深度并行注意卷积神经网络的热轧带钢表面缺陷自动识别  

作　　者：赵玉峰 张俊 李冬[1] 

机构地区：[1]沈阳工业大学人工智能学院,辽宁沈阳110870

出　　处：《中文科技期刊数据库（引文版）工程技术》2024年第6期0181-0184,共4页

摘　　要：通常来说,热轧带钢表面缺陷的存在会对工业生产的产品质量和外观造成较严重的影响。然而由于钢材表面的特征与背景对比度低且耗费大量的人力,导致传统的图像检测算法满足不了现代工业的需求。为了提高表面缺陷识别的分类效率和精度。首先,本文提出了一种准确率高的深度学习神经网络,即深度并行注意卷积神经网络(Deep Parallel Attention Convolutional Neural Network,DPACNN),用于自动识别6种热轧粗带钢表面缺陷。在该网络中,将通道注意力机制与并行模块相结合,使网络在融合不同特征信息的同时也能够集中于重要的特征信息而不造成信息丢失。其次,为了验证模型的鲁棒性和泛化性将数据集做了添加随机噪声、遮挡物等处理。最后,实验结果表明,DPACNN模型的识别准确率、精密度和曲线下面积(AUC)分别达到99.37%、99.38%和99.67%,该方法显著提高了分类的平均精度,且模型能够较快收敛。

关 键 词：深度学习 钢铁缺陷识别 DPACNN 注意力机制 

分 类 号：TG335[金属学及工艺—金属压力加工]