基于深度子空间学习的焊缝缺陷检测方法
Weld defect detection method based on deep subspace learning作者机构:天津理工大学计算机科学与工程学院天津300384 天津理工大学天津市先进机电系统设计与智能控制重点实验室天津300384 天津理工大学机电工程国家级实验教学示范中心天津300384
出 版 物:《计算机集成制造系统》 (Computer Integrated Manufacturing Systems)
年 卷 期:2024年第30卷第1期
页 面:90-102页
核心收录:
学科分类:08[工学] 080203[工学-机械设计及理论] 0802[工学-机械工程]
基 金:国家重点研发计划资助项目(2017YFB1303304) 天津市科技计划重大专项资助项目(17ZXZNGX00110)
主 题:焊缝缺陷 主成分分析网络 深度学习 二维主成分分析 鲁棒性 范数
摘 要:主成分分析网络(PCANet)是一个基于简化的卷积神经网络的深度子空间学习模型。针对PCANet算法应用于焊缝缺陷检测时无法体现数据完整结构信息、对噪声较敏感等问题,在PCANet的基础上提出一种鲁棒非贪婪双向二维PCANet(RNG-BDPCANet)焊缝缺陷在线检测方法。RNG-BDPCANet在范数距离度量标准下,利用双向二维主成分分析作卷积核,并采用非贪婪策略得到目标函数最优的整体投影矩阵,对离群值具有较强的鲁棒性。最后,在自建的焊缝人工数据集、ORL和Yale B人脸数据集上分别进行实验。结果表明,所提出的算法在分类性能方面得到显著提高,具有较强的鲁棒性能。