基于深度迁移学习的脉冲涡流热成像裂纹缺陷检测 |
| |
引用本文: | 郝柏桥,范玉刚,宋执环.基于深度迁移学习的脉冲涡流热成像裂纹缺陷检测[J].光学学报,2023(4):146-154. |
| |
作者姓名: | 郝柏桥 范玉刚 宋执环 |
| |
作者单位: | 1. 昆明理工大学信息工程与自动化学院;2. 昆明理工大学云南省人工智能重点实验室;3. 浙江大学控制科学与工程学院 |
| |
基金项目: | 工业控制技术国家重点实验室(浙江大学)开放课题(ICT2022B06); |
| |
摘 要: | 提出一种迁移学习与深度学习相结合的钢板裂纹缺陷检测方法。首先,通过非负矩阵分解(NMF)建立红外缺陷数据集的目标域特征空间,以余弦相似度为衡量指标选取可见光缺陷数据集的源域样本,对深度学习模型进行预训练,并将模型权重参数迁移至目标域,实现相似领域的知识迁移;然后,在YOLO v5算法基础上引入自适应空间特征融合(ASFF)模块,提高缺陷检测精度。实验结果表明:所提方法对钢板脉冲涡流热成像裂纹缺陷的检测精度达到98.6%,可实现不同长度裂纹的准确识别与定位。
|
关 键 词: | 机器视觉 无损检测 脉冲涡流热成像 迁移学习 非负矩阵分解 YOLO v5 |
|