基于脉冲卷积神经网络的钢材表面缺陷分类研究.pdfVIP

摘要

热轧带钢作为钢铁产业关键性材料，在传统的人工识别检测以及机器视觉

识别检测中存在主观性强和效率低下的问题。本文采用深度学习技术对热轧带

钢缺陷图像进行识别，首先对缺陷数据集进行图像扩充等预处理，然后使用基

于卷积神经网络的识别方法并进行模型性能评估实验，验证了卷积神经网络模

型算法在热轧带钢缺陷识别方面的潜力。接着对网络模型进一步改进，提出了

融合脉冲神经元层和注意力机制的脉冲卷积神经网络模型来提高识别准确率和

精度，最后基于改进后的模型设计并实现了一个热轧带钢缺陷识别系统。本文

的主要工作和创新点总结如下：

（1）使用了一种基于Diffusion-model的图像扩充方法并开展卷积神经网络

模型对比实验。首先对热轧带钢缺陷数据集进行了图像预处理和Diffusion-

model扩充，构建了一个包含多种类、样本量足够的热轧带钢缺陷图像数据集。

随后使用卷积神经网络模型在此数据集上进行实验训练和验证，分别比较了不

同学习率、网络深度和模型对识别效果的影响。实验结果显示，在热轧带钢缺

陷图像识别任务中MobileNetV2模型相较于其他模型表现优异，达到了96.78%

识别准确率和96.95%的平均精度。

（2）提出了一种改进的用于热轧带钢缺陷图像识别的脉冲卷积神经网络算

法并探索了基于模型迁移的小样本学习策略。在原始MobileNetV2网络模型基

础上，为了解决模型泛化能力和缺陷特征信息的辨识能力不足等问题，嵌入脉

冲神经元层，对图像进行脉冲编码提高泛化能力。加入注意力机制则能有效捕

捉到缺陷图像中的细节信息，有效利用低维特征信息和抑制无关信息提升了网

络模型对缺陷信息的提取能力。经过改进后的脉冲卷积神经网络对比原网络识

别准确率提升了1.07%，平均精度提升了1.08%，证明了所提出的识别算法的

有效性和可行性，并进一步减少了网络模型的参数数量，最后还通过迁移学习

策略有效缓解了缺乏样本数据的问题。

（3）基于PyQt5框架设计开发了一款自动化的热轧带钢缺陷识别系统，该

系统包括多个功能模块。系统能够加载训练好的网络模型去识别热轧带钢表面

缺陷图像并进行有效检测。输出结果包括缺陷类型编号以及识别率，同时对系

统功能进行了全面的测试，包括不同类型的识别率和单张图像测试，确保了系

统的稳定性和可靠性，并具有一定程度的实际应用潜力。

关键词：缺陷识别，卷积神经网络，脉冲神经网络，注意力机制，迁移学习

Abstract

Asthekeymaterialofironandsteelindustry,hotrolledstripsteelhasthe

problemsofsubjectivityandlowefficiencyinthetraditionalmanualidentification

andmachinevisiondetection.Inthispaper,deeplearningtechnologyisusedto

identifythedefectimageofhot-rolledstripsteel.Firstly,thedefectdatasetis

preprocessedbyimageexpansion,etc.,andthentherecognitionmethodbasedon

convolutionalneuralnetworkisproposedandthemodelperformanceevaluation

experimentisconductedtoverifythepotentialofconvolutionalneuralnetworkmodel

algorithmintheidentificationofhot-rol