资料下载
×
注塑瓶检测的半监督深度卷积生成对抗网络模型
消耗积分:0 |
格式:pdf |
大小:2.08 MB |
2021-05-18
分享资料个
注塑瓶表面缺陷检测是注塑成型工芑流程中的重要环节，但生产中存在缺陷的注塑瓶样夲数量相对匮乏，使得应用深度学习算法进行缺陷检测时容易产生过拟合现象。针对上述问题，文中提出并构建一种半监督（ Semi-supervised）深度卷积生成对抗网络（ Deep Convolutional Generative Adversarial Network， DCGAN）模型。该模型首先使用HSⅤ（ Hue Saturation Vae）颜色空间转换与大津算法（Otsu）对原始注塑瓶图像进行预处理得到训练集;然后鉏合学习任务，使得 DCGAN的无监督判别器与注塑瓶表面缺陷检测的监督分类器共享卷积层参数，同时修改损失函数，在 DCGAN模型的 Wasserstein距离中加入交叉熵;最后使用Adam优化器进行模型训练。实验结果表眀，该模型能够准确分辨具有缺陷的注塑瓶样本，分类准确率达到98.65%。与传统的机器学习算法以及采用数据増强的卷积神经网络模型相比，所提模型的分类准确率更高，且较妤地避免了过拟合现象，能满足注塑瓶生产中表面缺陷的自动检测需求。
声明：本文内容及配图由入驻作者撰写或者入驻合作网站授权转载。文章观点仅代表作者本人，不代表电子发烧友网立场。文章及其配图仅供工程师学习之用，如有内容侵权或者其他违规问题，请联系本站处理。 举报投诉
评论(0)
发评论
- 相关下载
- 相关文章
