[发明专利]基于改进残差收缩网络的带钢缺陷检测方法

说明书

本发明公开了一种基于改进残差收缩网络的带钢缺陷检测方法，通过增广数据集提高网络训练的准确度，构建残差收缩网络模型，再将新的激活函数LeakyReLU和Adamax优化器替换原残差收缩网络的激活函数和优化器，并且应用于带钢的缺陷检测中，训练完成后以准确度判断检测结果，如未达到预设值则重新训练至预设目标才保存网络输出结果，所述基于改进残差收缩网络的带钢缺陷检测方法有效剔除了网络训练特征学习带来的冗余信息，提升残差收缩网络的性能，解决了现有技术中带钢识别方法准确率不高的问题。

技术领域

本发明涉及机器视觉技术领域，尤其涉及一种基于改进残差收缩网络的带钢缺陷检测方法。

背景技术

图像识别是机器视觉的重要部分，图像作为一种信息载体，会得到更加直观的，高效的视觉信息。近年来深度学习不断的发展，产生了各种的网络类型，并且都有在工业检测上应用。传统的视觉的带钢识别方法一般都是图像处理或者分类器加特征提取，这些传统代表的方法存在受到图像质量以及图像灰度的影响，以及识别精度比较低。

发明内容

本发明的目的在于提供一种基于改进残差收缩网络的带钢缺陷检测方法，旨在解决现有技术中带钢识别方法准确率不高的问题。

为实现上述目的，本发明采用一种基于改进残差收缩网络的带钢缺陷检测方法，包括下列步骤：

导入数据集，增广数据集；

搭建改进的残差收缩网络模型；

选择优化器；

训练完成网络并验证。

其中，增广数据集由所述数据集随机旋转和随机水平翻转组成完成扩充。

其中，所述改进的残差收缩网络模型中使用LeakyReLU激活函数代替传统的深度卷积网络中的ReLU激活函数。

其中，所述改进的残差收缩网络模型中的交叉熵损失函数应用softmax函数，并把特征强制控制在(0,1)的范围内。

其中，所述改进的残差收缩网络模型使用软阈值化消除图像噪声。

其中，使用Adamax算法代替Adam优化算法对所述改进的残差收缩网络模型进行优化。

其中，在训练完成网络并验证的过程中，判断准确度是否可以达到预设值，

如果达到则保存网络，输出训练的结果；

如果未达到则重新训练。

本发明的一种基于改进残差收缩网络的带钢缺陷检测方法，通过增广数据集提高网络训练的准确度，构建残差收缩网络模型，再将新的激活函数LeakyReLU和Adamax优化器替换原残差收缩网络的激活函数和优化器，并且应用于带钢的缺陷检测中，训练完成后以准确度判断检测结果，如未达到预设值则重新训练至预设目标才保存网络输出结果，所述基于改进残差收缩网络的带钢缺陷检测方法有效剔除了网络训练特征学习带来的冗余信息，提升残差收缩网络的性能，解决了现有技术中带钢识别方法准确率不高的问题。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明的一种基于改进残差收缩网络的带钢缺陷检测方法的流程示意图。

图2是本发明的改进的残差收缩网络模型的模型架构图。

图3是本发明的一种基于改进残差收缩网络的带钢缺陷检测方法的具体实施示意图。

具体实施方式