.png){kind=icon}
返回
Lightweight CNN-based algorithm for weld defect recognition
.png){kind=icon}
PRE
AI
DOI：10.1088/2631-8695/ae1081.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
焊接是众多工业生产场景中的关键工序。为确保安全生产，焊接过程中出现的缺陷必须得到及时有效的识别。由于深度学习具有强大的特征提取能力，已在焊接缺陷识别中得到广泛应用，但在计算资源受限的环境下，大型深度学习模型难以部署。因此，应在有限计算资源下保持高精度的同时，设计一种轻量化的焊接缺陷识别模型。为此，我们提出了一种名为LSRSNet的焊接缺陷识别模型，该模型基于轻量化架构。具体而言，基于SqueezeNet模型，我们的模型采用轻量级线性可变形卷积来简化模型并提高识别精度。此外，将挤压-激励注意力机制集成到原始SqueezeNet的Fire模块中，以增强特征表达能力，并构建残差结构以防止深层网络退化并提升复杂特征的学习能力。实验结果表明，与原始模型相比，改进后的LSRSNet在焊接缺陷数据集上的准确率提高了9.5%，且模型参数量显著少于原始模型。我们提出了一种新颖的焊接缺陷识别算法，并认为LSRSNet可应用于工业检测。
Keyword:
attention mechanism
deep learning
lightweight architecture
SqueezeNet
weld defect classification
期刊
E
IF:
1.6
论文数:
2.1K
被引数:
0
机构
引用论文
Grad-MobileNet: A Gradient-Based Unsupervised Learning Method for Laser Welding Surface Defect ClassificationGrad-mobilenet: 一种基于梯度的无监督激光焊接表面缺陷分类方法.png)
SENSORS
OAAI
SENSORSIF3.5
OAAI分享收藏Image defect classification of surface mount technology welding based on the improved ResNet modelOAAI
OAAI分享收藏Steel surface defect recognition based on a lightweight convolutional neural network基于轻量级卷积神经网络的钢表面缺陷识别
IF0
PREAI
分享收藏Weld defect identification and characterization in radiographic images using deep learning: Review基于深度学习的射线图像焊缝缺陷识别与表征：综述
OAAI
OAAI分享收藏Research progress on welding seam quality inspection technology in rebar engineering钢筋工程中焊接接头质量检测技术的研究进展
IF0
PREAI
分享收藏Accurate defect detection via sparsity reconstruction for weld radiographs通过稀疏重建对焊缝射线照片进行精确的缺陷检测
PREAI
分享收藏
查看更多内容