上海大学学报(自然科学版) ›› 2019, Vol. 25 ›› Issue (4): 445-452.doi: 10.12066/j.issn.1007-2861.2018
Jiacheng HU1, Xiangyang WANG1(), Han LIU2
摘要:
采用提取图像的纹理、几何特征并利用支持向量机(support vector machine, SVM)进行检测和识别的方法, 对宝山钢铁现有的连铸坯表面裂纹、凹陷、夹杂物、气孔、划痕等缺陷进行分析, 缺陷检测准确率为 83${\%}$. 提出一种基于卷积神经网络(convolutional neural network, CNN)的方法进行缺陷检测. 该方法对裂纹缺陷的检测准确率为 93${\%}$, 对其他缺陷(由于凹陷、夹杂物、气孔、划痕等缺陷数据较少, 这些缺陷归为一类)的检测准确率为 88${\%}$. 实验结果表明, 采用深度学习的方法 能够有效检测、识别出具有缺陷的连铸坯, 检测准确率较高.
中图分类号: