SCI论文（www.lunwensci.com）
摘要：在热轧钢板的生产过程中，由于工况的多样性，钢板表面难免会形成不同类型的缺陷。针对传统方法对钢板表面缺陷的识别准确率和效率较低的问题，提出了一种结合残差网络和迁移学习的钢板表面缺陷识别方法。首先，构建基于迁移学习的神经网络框架，同时采用全局平均池化和Ｄｒｏｐｏｕｔ等优化策略增加网络的泛化能力，提高分类精度。其次，预处理钢板表面缺陷数据集，并通过钢板表面缺陷识别实验对模型性能进行检验。实验结果表明，基于迁移学习的网络模型在测试集上的识别准确率可以达到９８.３３％。最后，设计并开发了钢板表面缺陷识别系统，采用ＰｏｗｅｒＤｅｓｉｇｎｅｒ软件构建系统的物理数据模型，并完成系统架构的设计，将训练好的神经网络模型应用到系统中，有效提高了钢板缺陷分类识别的智能化和信息化水平。
关键词：深度学习；热轧钢板；迁移学习；缺陷识别系统
ＤｅｆｅｃｔｓＲｅｃｏｇｎｉｔｉｏｎＭｅｔｈｏｄａｎｄＳｙｓｔｅｍＤｅｖｅｌｏｐｍｅｎｔｏｆＳｔｅｅｌ
ＳｕｒｆａｃｅＢａｓｅｄｏｎＤｅｅｐＬｅａｒｎｉｎｇ
ＹａｎｇＪｉｎｗｅｎ，ＹｕＪｉａｎｇｕｏ
（ＣｏｌｌｅｇｅｏｆＭｅｃｈａｎｉｃａｌａｎｄＥｌｅｃｔｒｉｃａｌＥｎｇｉｎｅｅｒｉｎｇ，ＪｉａｎｇｘｉＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｇａｎｚｈｏｕ，Ｊｉａｎｇｘｉ３４１０００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｉｎｔｈｅｐｒｏｄｕｃｔｉｏｎｐｒｏｃｅｓｓｏｆｈｏｔ－ｒｏｌｌｅｄｓｔｅｅｌｐｌａｔｅ，ｔｈｅｓｕｒｆａｃｅｏｆｓｔｅｅｌｐｌａｔｅｗｉｌｌｆｏｒｍｄｉｆｆｅｒｅｎｔｔｙｐｅｓｏｆｄｅｆｅｃｔｓｏｎａｃｃｏｕｎｔｏｆｔｈｅｖａｒｉｅｔｙｏｆｗｏｒｋｉｎｇｃｏｎｄｉｔｉｏｎｓ．Ｉｎａｌｌｕｓｉｏｎｔｏｔｈｅｌｏｗａｃｃｕｒａｃｙａｎｄｅｆｆｉｃｉｅｎｃｙｏｆｔｒａｄｉｔｉｏｎａｌｍｅａｎｓｆｏｒｓｔｅｅｌｐｌａｔｅｓｕｒｆａｃｅｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎ，ａｓｔｅｅｌｐｌａｔｅｓｕｒｆａｃｅｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎｍｅｔｈｏｄｃｏｍｂｉｎｉｎｇｒｅｓｉｄｕａｌｎｅｔｗｏｒｋａｎｄｔｒａｎｓｆｅｒｌｅａｒｎｉｎｇｉｓｐｒｏｐｏｓｅｄ．Ｆｉｒｓｔ，ａｎｅｕｒａｌｎｅｔｗｏｒｋｆｒａｍｅｗｏｒｋｂａｓｅｄｏｎｔｒａｎｓｆｅｒｌｅａｒｎｉｎｇｉｓｃｏｎｓｔｒｕｃｔｅｄ，ａｎｄｔｈｅｏｐｔｉｍｉｚａｔｉｏｎｓｔｒａｔｅｇｉｅｓｓｕｃｈａｓｇｌｏｂａｌａｖｅｒａｇｅｐｏｏｌｉｎｇａｎｄＤｒｏｐｏｕｔｉｓｕｓｅｄｔｏｉｎｃｒｅａｓｅｔｈｅｇｅｎｅｒａｌｉｚａｔｉｏｎａｂｉｌｉｔｙｏｆｔｈｅｎｅｔｗｏｒｋａｎｄｉｍｐｒｏｖｅｔｈｅｃｌａｓｓｉｆｉｃａｔｉｏｎａｃｃｕｒａｃｙ．Ｔｈｅｎ，ｔｈｅｓｔｅｅｌｐｌａｔｅｓｕｒｆａｃｅｄｅｆｅｃｔｄａｔａｓｅｔｉｓｐｒｅｔｒｅａｔｅｄａｎｄｔｈｅｓｔｅｅｌｐｌａｔｅｓｕｒｆａｃｅｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎｅｘｐｅｒｉｍｅｎｔｉｓｕｓｅｄｔｏｖｅｒｉｆｙｔｈｅｐｅｒｆｏｒｍａｎｃｅｏｆｔｈｅｍｏｄｅｌ．Ｔｈｅｅｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｔｈｅｒｅｃｏｇｎｉｔｉｏｎａｃｃｕｒａｃｙｏｆｔｈｅｍｏｄｅｌｂａｓｅｄｏｎｔｒａｎｓｆｅｒｌｅａｒｎｉｎｇｏｎｔｈｅｔｅｓｔｓｅｔｃａｎｒｅａｃｈ９８.３３％．Ｆｉｎａｌｌｙ，ａｓｔｅｅｌｐｌａｔｅｓｕｒｆａｃｅｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍｉｓｄｅｓｉｇｎｅｄａｎｄｄｅｖｅｌｏｐｅｄ．ＴｈｅＰｏｗｅｒＤｅｓｉｇｎｅｒｓｏｆｔｗａｒｅｉｓｕｓｅｄｔｏｃｏｎｓｔｒｕｃｔｔｈｅｐｈｙｓｉｃａｌｄａｔａｍｏｄｅｌｏｆｔｈｅｓｙｓｔｅｍ，ａｎｄａｃｃｏｍｐｌｉｓｈｔｈｅｓｙｓｔｅｍａｒｃｈｉｔｅｃｔｕｒｅｄｅｓｉｇｎ．Ｔｈｅｔｒａｉｎｅｄｎｅｕｒａｌｎｅｔｗｏｒｋｍｏｄｅｌｐｕｔｉｎｔｏｕｓｅｉｎｔｈｅｓｙｓｔｅｍ，ｗｈｉｃｈｅｆｆｅｃｔｉｖｅｌｙｉｍｐｒｏｖｅｓｔｈｅｉｎｔｅｌｌｅｃｔｕａｌｉｚａｔｉｏｎａｎｄｉｎｆｏｒｍａｔｉｏｎｌｅｖｅｌｏｆｓｔｅｅｌｐｌａｔｅｄｅｆｅｃｔｃｌａｓｓｉｆｉｃａｔｉｏｎａｎｄｒｅｃｏｇｎｉｔｉｏｎ．
Ｋｅｙｗｏｒｄｓ：ｄｅｅｐｌｅａｒｎｉｎｇ；ｈｏｔ－ｒｏｌｌｅｄｓｔｅｅｌｐｌａｔｅ；ｔｒａｎｓｆｅｒｌｅａｒｎｉｎｇ；ｄｅｆｅｃｔｒｅｃｏｇｎｉｔｉｏｎｓｙｓｔｅｍ
0引言
随着“中国制造２０２５”战略的提出［１］，制造业在产品质量方面将面临更高的要求。钢铁作为一种现代基础工业材料，在汽车工业和航空航天等多个领域都有广泛应用。但在钢板的生产过程中，由于制造工艺和原材料品质等因素的影响，难免会在表面形成划痕、夹杂和麻点等缺陷［２］。采用有效的检测方法及时发现并识别这些表面缺陷，对于提高钢板的品质和生产效率非常重要。传统缺陷检测方法效率低下，成本较高，无法满足目前实际生产的需求［３］。而当下新兴的智能化检测方法，将机器视觉技术融入质检环节，大幅提高质检效率，降低人工成本和劳动强度，推进产品自动化生产进程［４］。
在表面缺陷检测领域，国内外很多学者都提出了相应的方法［５］。如ＺＨＡＮＧ等［６］针对铜带表面缺陷提出一种基于小波多元统计分析方法提取特征；ＳＵＶＤＡＡ等［７］采用尺度不变特征变换的方法对钢板表面缺陷特征进行提取，并结合投票策略提高分类性能；ＴＯＬＢＡ等［８］采用Ｌｏｇ－Ｇａｂｏｒ滤波器提取缺陷特征，并通过概率神经网络对缺陷进行快速分类；胡超［９］采用主成分分析法（ＰＣＡ）和二叉树支持向量机（ＢＴ－ＳＶＭ）等方法完成钢板表面缺陷检测任务。这些方法所提取的特征是否有效，过分受限于设计人员本身的经验和专业程度，增加了特征提取和选择任务的复杂程度，同时影响检测效果。
随着人工智能技术以及深度学习理论的持续发展，深度学习具有较强普适性和自我学习能力等优势逐渐体现，不再需要专门为某一缺陷单独设计算法，其检测精度较传统机器学习方法有显著的提升，拥有更高的学习表征能力，得到了广泛应用［１０－１７］。Ｄｉｎｇ等［１０］提出一种改进的ＭｏｂｉｌｅＮｅｔＶ２算法用于焊缝表面缺陷识别；李东等［１１］采用改进的ＶＧＧ１６实现口罩的平面缺陷检测；张立等［１２］采用改进的ＡｌｅｘＮｅｔ模型并结合迁移学习方法对热轧钢板表面缺陷进行分类识别；杨凯等［１３］提出一种基于改进的ＶＧＧ１６车轮踏面缺陷检测模型，并通过模型剪枝算法减少了模型参数；刘浩瀚等［１４］提出一种改进的ＲｅｓＮｅｔ模型，并将其应用于轴承沟道表面缺陷分类；张振洲等［１５］基于ＧｏｏｇＬｅＮｅｔ提出一种适用于锌渣识别的改进算法，其识别精度和速度均达到较高水平。上述文献都成功将深度学习应用到各类制造业的缺陷识别任务当中，但大多数研究都停留于理论方面，未得到实际的应用。
根据以上研究现状，本文将对钢板表面缺陷识别方法和系统进行研究。首先基于迁移学习和残差网络对整体网络框架进行设计，然后预处理钢板表面缺陷数据集并进行钢板表面缺陷识别实验，最后设计开发了钢板表面缺陷识别系统。
1钢板表面缺陷识别方法
１.１残差神经网络
传统卷积神经网络在对网络层数进行增加时，其性能在达到峰值后会出现下降的现象，同时伴有梯度消失或梯度爆炸的问题［１８］。ＨＥ等［１９］针对以上问题提出一种具有特殊结构的残差网络，引入捷径连接，能够有效解决网络加深带来的负面问题，同时提高模型的性能。
相较于传统卷积神经网络，ＲｅｓＮｅｔ仅需对Ｆ（ｘ）进行学习，简化了学习目标，大幅降低映射的学习难度，因此，ＲｅｓＮｅｔ网络的有效深度可以搭建至上百层。当模型深度达到５０层以上时，将基本训练单元全部替换为如图１（ｂ）所示的瓶颈式残差块，其特殊的结构设计可使输入和输出保持相同的维度，在不影响网络性能的同时减少了网络参数。
本文使用的是ＲｅｓＮｅｔ－５０网络模型，由４９个卷积层加１个全连接层组成，详细结构参数如表１所示。
１.２迁移学习
迁移学习［２０］被普遍应用于机器学习领域，分为样本迁移、特征迁移、参数迁移和关系迁移四类。通常来讲，一般的深度学习方法都是通过大量的历史数据进行训练和学习，然后将训练的结果应用于同一学习任务，对数据进行预测或拟合。迁移学习则与其不同，可以利用源域中现有的样本进行训练，当有新的应用场景需要时，运用从源域中学习到的知识完成目标域的分类任务，同时目标域的数据不必与源域的数据严格满足独立同分布的假设［２１］。
１.３基于迁移学习的神经网络设计
本文将去除最后分类层网络的ＲｅｓＮｅｔ－５０作为特征提取网络，采用参数迁移方法，将ＲｅｓＮｅｔ－５０在ＩｍａｇｅＮｅｔ上经过预训练得到的参数加载至目标网络，并将特征提取网络参数设置为不可训练。仅利用少量数据对重新设计的分类层网络进行训练，可大幅缩短模型训练时间。图２为本研究结合迁移学习的网络结构简图。
分类层网络经过重新设计后的具体结构为：第一层为全局平均池化层（ＧｌｏｂａｌＡｖｅｒａｇｅＰｏｏｌｉｎｇ，ＧＡＰ）。全局平均池化处理是以特征图为基本单元，对其中所有特征值求平均，并以该均值表示相应的特征图。用其替换掉传统的全连接层可以有效抑制过拟合，降低参数数量。
第二层为Ｄｒｏｐｏｕｔ层。由于本文数据集的样本量较少，为缓解过拟合，在全局平均池化操作之后插入一个Ｄｒｏｐｏｕｔ层，取值为０.５，在训练时按照５０％的比例随机将神经元暂时丢弃，减少中间特征的数量。
第三层为匹配分类任务的全连接层。本文数据集中包含６种钢板表面缺陷，因此全连接层的输出通道设计为６个。
最后一层为Ｓｏｆｔｍａｘ层，同时以交叉熵作为损失函数，加速模型的收敛，其计算公式为：
２实验与分析
２.１热轧钢板表面缺陷数据集
此次实验采用的数据集来自ＮＥＵｓｕｒｆａｃｅｄｅｆｅｃｔｄａｔａｂａｓｅ［２２］。数据集样本示例如图３所示。
该数据集总共包含裂纹（Ｃｒａｚｉｎｇ，Ｃｒ）、夹杂（Ｉｎｃｌｕｓｉｏｎ，Ｉｎ）、斑块（Ｐａｃｈｅｓ，Ｐａ）、表面麻点（ＰｉｔｔｅｄＳｕｒｆａｃｅ，ＰＳ）、压入氧化铁皮（Ｒｏｌｌｅｄ－ｉｎＳｃａｌｅ，ＲＳ）和划伤（Ｓｃｒａｔｃｈｅｓ，Ｓｃ）６种常见的带钢表面缺陷，每种缺陷类型都有３００张分辨率为２００ｐｉｘｅｌ×２００ｐｉｘｅｌ的灰度图片，总计１８００张。将数据集所有缺陷样本图片的分辨率调整为２２４ｐｉｘｅｌ×２２４ｐｉｘｅｌ，并按一定比例将数据集进行随机分配：训练集占比６０％，验证集和测试集各占比２０％，详细数据划分如表２所示。
２.２实验结果
结合上文所构建的ＲｅｓＮｅｔ－５０模型进行试验，训练阶段将初始参数批尺寸大小（ｂａｔｃｈｓｉｚｅ）设为３２，轮次ｅｐｏｃｈｓ设为１００，学习率设为０.０００１。模型经过１００轮的训练，其训练损失和验证损失如图４所示，由图可知随着训练轮次的增加训练损失和验证损失均在２０轮后趋于稳定。图５为模型的训练和验证准确率，由图可知训练集和验证集的识别准确率在２０轮之前迅速提升，之后逐渐平稳，迭代至６０轮时模型的训练和验证准确率均保持在９９％以上，说明模型整体训练和验证结果较为理想。
为进一步验证模型的分类性能，采用测试集在模型中的分类结果绘制混淆矩阵，结果如图６所示。由图可知，在预测的３６０个缺陷样本中共有６处错误，分别为将１个Ｐａ缺陷样本误判为Ｃｒ，将５个Ｓｃ缺陷样本误判为Ｉｎ，其主要原因是一个样本中可能存在多种缺陷，给模型分类造成了干扰，其次是因为不同类型的缺陷存在一定的相似性，给模型分类带来一定的困难，影响最终的分类结果。根据混淆矩阵计算得出６种钢板表面缺陷的查准率（Ｐ）、召回率（Ｒ）和Ｆ１值，如表３所示。从表中可以看出模型对于ＰＳ和ＲＳ两种缺陷的Ｆ１值最高，达到了１００％，其次是Ｃｒ和Ｐａ，Ｆ１值均在９９％以上，最低的是Ｉｎ和Ｓｃ，Ｆ１值在９６％左右。从整体来看，基于迁移学习的ＲｅｓＮｅｔ－５０模型对６类缺陷都具有较好的分类效果，平均分类精度可以达到９８.３３％。
３钢板表面缺陷识别系统设计与开发
３.１系统功能设计
基于深度学习的钢板表面缺陷识别系统模块化功能如下。
（１）访问登录：用户在访问界面完成注册，登录账号进入钢板表面缺陷识别系统主界面，根据需求使用相应模块。
（２）系统管理：该模块分为权限管理、用户管理以及菜单管理等子模块，为管理员对用户权限和系统菜单的配置提供便利。
（３）基础信息：该模块包括人员信息、部门信息和原材料信息等基础信息，方便管理人员和系统其他功能模块调用。
（４）缺陷识别：该模块负责钢板表面缺陷的分类识别，调用训练好的神经网络对输入的钢板图像进行识别，输出缺陷信息，提高缺陷检测的速度和精度。
（５）缺陷管理：该模块对钢板及其缺陷信息进行管理，便于后期查询钢板对应的缺陷信息。
（６）生产管理：该模块的次级功能主要包含生产计划、采购管理、成本管理、生产控制等，对钢板的整个生产过程进行管理和调控，提高生产管理效率。
（７）设备管理：该模块对设备日常维修、保养以及报废等活动进行管理，提高设备综合效能
（８）缺陷统计：该模块负责对缺陷数据进行统计和分析，反查缺陷原因，找出缺陷发生的环境和设备因素，并对相关设备进行控制，达到从根本上减少缺陷发生率的目的。
３.２系统数据库设计
钢板表面缺陷识别系统主要包括系统管理、基础信息、生产管理、设备管理、缺陷管理、缺陷识别和缺陷统计等功能模块，基于以上模块建立系统的物理数据模型。模型的构建采用ＰｏｗｅｒＤｅｓｉｇｎｅｒ软件，它提供多种开发环境供不同数据模块使用，各数据模块既可相互独立也可相互联系。设计的钢板表面缺陷识别系统的物理数据模型（部分模块）如图７所示。
３.３系统架构设计
在选择系统开发技术方面考虑到运行平台环境和运维成本等因素，采用Ｂ／Ｓ架构和Ｊ２ＥＥ框架（Ｓｔｒｕｔｓ＋Ｓｐｒｉｎｇ＋Ｈｉｂｅｒｎａｔｅ，ＳＳＨ）［２３］开发钢板表面缺陷识别系统，具体系统框架如图８所示。
客户层将系统内容呈现给用户，便于和用户进行实时交互；业务层负责连接客户层和访问层，是系统核心层次；访问层为业务层访问数据提供支撑；资源层通过ＯＲＭ技术将面向对象概念与数据库中表的内容进行映射。
３.４系统开发结果
采用Ｔｏｍｃａｔ作为服务器，使用ＭｙＳＱＬ管理后台数据，并以ＭｙＥｃｌｉｐｓｅ作为集成开发工具完成对钢板表面缺陷识别系统的设计与开发。
鉴于钢板表面缺陷识别系统功能模块较多，下面仅以缺陷识别模块进行介绍。如图９所示为缺陷识别模块截图，页面主要分为４个部分，左侧部分为系统主菜单；右上部分为常用功能菜单；右下部分为缺陷识别模块的待检图像显示区和检测结果显示区，选择好网络模型和待检图片文件，点击开始检测按钮运行得到缺陷类别等结果信息，通过保存数据按钮可将结果存储至ＭｙＳＱＬ数据库当中，以便后续对缺陷信息进行查询。
４结束语
（１）对于传统钢板表面缺陷识别方式速度和精度较低的问题，本文在ＲｅｓＮｅｔ－５０的基础上进行迁移学习，重新设计分类层网络，大幅缩短模型训练时间，抑制过拟合，提升模型识别精度。最终在测试集上平均准确率达到９８.３３％，可为自动化识别场景提供一定借鉴。
（２）基于深度学习设计并开发钢板表面缺陷识别系统，实现钢板表面缺陷的快速、精准检测，大幅减少人工检测工作量，同时降低漏检和误检的概率，提高钢板质量和生产效率。
（３）本文所使用的数据集样本总量较小，在识别准确率等方面还有不足。后续将扩充数据集，并对网络结构和优化策略进行改进，提升模型整体性能，得到更优结果。
参考文献：
［１］国务院．中国制造２０２５［ＥＢ／ＯＬ］．（２０１５－０５－１９）．ｈｔｔｐｓ：／／ｗｗｗ．ｇｏｖ．ｃｎ／ｚｈｕａｎｔｉ／２０１６／ＭａｄｅｉｎＣｈｉｎａ２０２５－ｐｌａｎ／ｍｏｂｉｌｅ．ｈｔｍ．
［２］陈建强，刘明宇，符秦沈，等．基于深度学习的热轧钢带表面缺陷检测方法［Ｊ］．自动化与信息工程，２０１９，４０（４）：１１－１６，１９．
［３］肖书浩，吴蕾，何为，等．深度学习在表面质量检测方面的应用［Ｊ］．机械设计与制造，２０２０（１）：２８８－２９２．
［４］马建，韩卫光．基于卷积神经网络的工件表面缺陷检测方法［Ｊ］．组合机床与自动化加工技术，２０２１（１）：１０６－１０９．
［５］张博，刘秀波，赵志荣，等．基于视觉的钢轨表面缺陷识别方法综述［Ｊ］．铁道建筑，２０２０，６０（９）：１３６－１４０．
［６］ＺｈａｎｇＸＷ，ＧｏｎｇＦ，ＸｕＬＺ．ＩｎｓｐｅｃｔｉｏｎｏｆｓｕｒｆａｃｅｄｅｆｅｃｔｓｉｎｃｏｐｐｅｒｓｔｒｉｐｕｓｉｎｇｍｕｌｔｉｖａｒｉａｔｅｓｔａｔｉｓｔｉｃａｌａｐｐｒｏａｃｈａｎｄＳＶＭ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＣｏｍｐｕｔｅｒＡｐｐｌｉｃａｔｉｏｎｓｉｎＴｅｃｈｎｏｌｏｇｙ，２０１２，４３（１）：４４－５０．
［７］ＳＵＶＤＡＡＢ，ＡＨＮＪ．ＳｔｅｅｌｓｕｒｆａｃｅｄｅｆｅｃｔｓｄｅｔｅｃｔｉｏｎａｎｄｃｌａｓｓｉｆｉｃａｔｉｏｎｕｓｉｎｇＳＩＦＴａｎｄｖｏｔｉｎｇｓｔｒａｔｅｇｙ［Ｊ］．ＩｎｔｅｒｎａｔｉｏｎａｌＪｏｕｒｎａｌｏｆＳｏｆｔｗａｒｅＥｎｇｉｎｅｅｒｉｎｇａｎｄｉｔｓＡｐｐｌｉｃａｔｉｏｎｓ，２０１２，６（２）：１６１－１６５.
［８］ＴＯＬＢＡＡＳ．Ｆａｓｔｄｅｆｅｃｔｄｅｔｅｃｔｉｏｎｉｎｈｏｍｏｇｅｎｅｏｕｓｆｌａｔｓｕｒｆａｃｅｐｒｏｄｕｃｔｓ［Ｊ］．ＥｘｐｅｒｔＳｙｓｔｅｍｓｗｉｔｈＡｐｐｌｉｃａｔｉｏｎｓ，２０１１，３８（１０）：１２３３９－１２３４７．
［９］胡超．基于机器视觉的热轧钢板表面缺陷检测系统关键技术研究［Ｄ］．沈阳：东北大学，２０１２．
［１０］ＤｉｎｇＫ，ＮｉｕＺ，ＨｕｉＪ，ｅｔａｌ．ＡＷｅｌｄＳｕｒｆａｃｅＤｅｆｅｃｔＲｅｃｏｇｎｉｔｉｏｎＭｅｔｈｏｄＢａｓｅｄｏｎＩｍｐｒｏｖｅｄＭｏｂｉｌｅＮｅｔＶ２Ａｌｇｏｒｉｔｈｍ［Ｊ］．Ｍａｔｈｅｍａｔｉｃｓ．２０２２，１０（１９）：３６７８．
［１１］李东，梁家睿．机器视觉技术在平面口罩缺陷检测中的应用［Ｊ］．机电工程技术，２０２１，５０（６）：２５７－２６２．
［１２］张立，王桂棠，陈建强，等．迁移学习在热轧钢带表面缺陷分类中应用研究［Ｊ］．机械设计与制造，２０２２（５）：２２０－２２４．
［１３］杨凯，李锐，罗林，等．基于深度学习的车轮踏面表面缺陷检测研究［Ｊ］．信息技术，２０２１（７）：９３－９７．
［１４］刘浩翰，王钰涛，贺怀清，等．基于改进ＲｅｓＮｅｔ模型的轴承沟道表面加工缺陷分类［Ｊ］．轴承，２０２１（７）：５２－５８．
［１５］张振洲，熊凌，李克波，等．基于改进ＧｏｏｇＬｅＮｅｔ的锌渣识别算法［Ｊ］．武汉科技大学学报，２０２１，４４（３）：１８２－１８７．
［１６］刘飞飞，窦祥飞，薛亚鑫，等．基于机器视觉的铜箔表面缺陷检测方法研究［Ｊ］．机电工程技术，２０２３，５２（３）：２０６－２０９，２１４．
［１７］代晓林，刘梦玫，生群，等．基于改进ＳｗｉｎＴｒａｎｓｆｏｒｍｅｒ的钢板表面缺陷检测方法［Ｊ］．装备制造技术，２０２２（４）：８８－９１．
［１８］聂雯．基于ＲｅｓＮｅｔ模型的全极化ＳＡＲ影像分类研究［Ｄ］．武汉：湖北大学，２０１８．
［１９］ＨＥＫＭ，ＺＨＡＮＧＸＹ，ＲＥＮＳＱ，ｅｔａｌ．Ｄｅｅｐｒｅｓｕａｌｌｅａｒｎｉｎｇｆｏｒｉｍａｇｅｒｅｃｏｇｎｉｔｉｏｎ［Ｃ］／／２０１６ＩＥＥＥＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ（ＣＶＰＲ），２０１６．
［２０］罗维平，徐洋，陈永恒，等．基于迁移学习和改进ＲｅｓＮｅｔ５０网络的织物疵点检测算法［Ｊ］．毛纺科技，２０２１，４９（２）：７１－７８．
［２１］康守强，胡明武，王玉静，等．基于特征迁移学习的变工况下滚动轴承故障诊断方法［Ｊ］．中国电机工程学报，２０１９，３９（３）：７６４－７７２．
［２２］ＳＯＮＧＫ，ＹＡＮＹ．Ａｎｏｉｓｅｒｏｂｕｓｔｍｅｔｈｏｄｂａｓｅｄｏｎｃｏｍ－ｐｌｅｔｅｄｌｏｃａｌｂｉｎａｒｙｐａｔｔｅｒｎｓｆｏｒｈｏｔ－ｒｏｌｌｅｄｓｔｅｅｌｓｔｒｉｐｓｕｒｆａｃｅｄｅｆｅｃｔｓ
［Ｊ］．ＡｐｐｌｉｅｄＳｕｒｆａｃｅＳｃｉｅｎｃｅ，２０１３，２８５（２１）：８５８－８６４．
［２３］ＴａｎｇＺＣ，ＣｈｅｎＮＦ．ＤｅｓｉｇｎａｎｄｉｍｐｌｅｍｅｎｔａｔｉｏｎｏｆｃｏｎｔｅｎｔｍａｎａｇｅｍｅｎｔｓｙｓｔｅｍｂａｓｅｄｏｎＪ２ＥＥ［Ｊ］．ＡｄｖａｎｃｅｄＭａｔｅｒｉａｌｓＲｅｓｅａｒｃｈ，２０１４，１０４９／１０５０：１９８１－１９８４.
关注SCI论文创作发表，寻求SCI论文修改润色、SCI论文代发表等服务支撑，请锁定SCI论文网！ 文章出自SCI论文网转载请注明出处：https://www.lunwensci.com/ligonglunwen/77380.html
