基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法

	基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法
	樊丁1 ; 胡桉得 1; 黄健康1 ; 徐振亚 2; 徐旭
	2020-01-25
发表期刊	焊接学报
期号	2020-01 页码:7-11+97
摘要	针对卷积神经网络(CNN)应用于焊缝探伤图像识别时,目标区域占比小,局部信息冗余,激活函数小于零时出现硬饱和区导致模型对输入变化较敏感、网络参数难以训练的问题,采用超像素分割算法(SLIC)和改进的ELU激活函数构建CNN模型进行焊缝探伤图像缺陷识别.首先,在CNN模型中使用ELU激活函数,在缓解梯度消失时对输入噪声产生更好的鲁棒性,同时,利用SLIC算法对图像像素进行像素块处理的特点,增大焊缝探伤图像中感兴趣区域的占比,降低局部冗余信息,提高模型在训练过程中的特征提取能力.通过对焊缝探伤图像感兴趣区域提取并与所述CNN模型进行对比试验.结果表明,该方法在焊缝探伤图像特征提取、训练耗时及识别准确率方面较传统卷积神经网络有更好的表现.
关键词	焊缝缺陷识别卷积神经网络 SLIC算法 ELU函数
URL	查看原文
收录类别	CNKI
语种	中文
中图分类号	TG441.7;TP391.41;TP183
文献类型	期刊论文
条目标识符	https://ir.lut.edu.cn/handle/2XXMBERH/104231
专题	材料科学与工程学院省部共建有色金属先进加工与再利用国家重点实验室
作者单位	1.兰州理工大学省部共建有色金属先进加工与再利用国家重点实验室; 2.宝山钢铁股份有限公司
第一作者单位	省部共建有色金属先进加工与再利用国家重点实验室
第一作者的第一单位	省部共建有色金属先进加工与再利用国家重点实验室
推荐引用方式 GB/T 7714	樊丁,胡桉得,黄健康,等. 基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法[J]. 焊接学报,2020(2020-01):7-11+97.
APA	樊丁,胡桉得,黄健康,徐振亚,&徐旭.(2020).基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法.焊接学报(2020-01),7-11+97.
MLA	樊丁,et al."基于改进卷积神经网络的管焊缝X射线图像缺陷识别方法".焊接学报 .2020-01(2020):7-11+97.

条目包含的文件
文件名称/大小	文献类型	版本类型	开放类型	使用许可
基于改进卷积神经网络的管焊缝X射线图像缺（1315KB）	期刊论文	出版稿	开放获取	CC BY-NC-SA	浏览下载