基于深度学习网络模型与大数据自动训练的工件缺陷识别算法研究

• 作者: 黄寅
• 来源期刊: 齐齐哈尔大学学报（自然科学版）
• 学科: 工学
• 关键词: 深度学习网络模型 自动训练 Python TensorFlow 工件缺陷
• 年，卷（期）: 2020,（2）
• 页码范围: 21-24,39
• 页数: 5页
• 分类号: TP242
• 字数: 2367字
• 语种: 中文

摘要

针对工件缺陷种类多样和特征不明显,造成机器视觉识别精度不稳定的问题,提出了一种基于深度学习网络模型与大数据自动训练的工件缺陷识别算法,并以软件工程来实现其功能.首先,对存在缺陷的工件进行取样,采集缺陷图像,建立识别标准.然后,基于深度神经网络模型和缺陷标准图像,进行模型训练,采取分批训练,逐步迭代收敛的方式,达到准确识别工件缺陷目的.最后,基于Python语言与TensorFlow框架实现深度神经网络模型,并将模型移植到C++平台调用,嵌入到商业版本软件中,实现算法的落地应用.实验测试结果显示,相对于已有的缺陷识别技术而言,本文算法具有更高的识别准确性,可为机器视觉软硬件设备提供技术基础.