基于深度学习的连铸坯表面缺陷检测

关键词：缺陷检测 支持向量机 深度学习 

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.

上海大学学报·自然科学版杂志要求:

{1}稿件请提供第一作者和通信作者简介，包括姓名、出生年、性别、学历、职称、研究方向、通讯地址、联系电话和E-mail等。

{2}如稿件以前已有回复意见,请将以往邮件一并附上。

{3}文中一级标题、二级标题、三级标题、四级标题的序号用“一、……”“1.……”“（1）……”标示。尽量不使用三级或三级以上的标题。

{4}参考文献：本着“最新、重要、必要”的原则列出相关文献，文献应是正式出版物，未正式发表的资料不能作为文献引用。

{5}中英文关键词,关键词是用来表达、揭示文章主题内容的、具有检索价值的词或者词组，通常5个左右为宜。

注：因版权方要求，不能公开全文，如需全文，请咨询杂志社