【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】
《建筑知识》 2015-05-12
《中国医疗管理科学》 2015-05-12
《中国医疗管理科学》 2015-05-12
《中国医疗管理科学》 2015-05-12
《现代制造技术与装备》 2015-07-02
《重庆高教研究》 2015-06-25
《中外医疗》 2015-07-06
《中外医疗》 2015-07-03
010-56259535
关注中教数据库
Copyright © 2013-2016 ZJHJ Corporation,All Rights Reserved
个人中心
退出
发表评论
登录后发表评论 (已发布 0条)点亮你的头像 秀出你的观点