基于多流神经网络的PET瓶坯缺陷检测研究

摘要

首次提出了一种基于多流卷积神经网络PET瓶坯缺陷分类和识别系统.近年来,基于多流网络的特征融合方法在缺陷分类与质量检测中具有良好的应用前景.设计PET瓶坯质量检测平台用来采集图像样本,通过图像增强方式扩展样本数量,以防止深度学习中的过拟合现象.利用Sobel算子计算图像的梯度,并对其进行归一化处理.设计了一种采用最大值融合策略的多流卷积神经网络模型,实现了relu5层的特征融合.上述模型以PET瓶坯的原始图像以及其对应的梯度图像和缺陷区域图像作为输入,通过子网络提取特征,实现特征融合,然后输入到SVM分类器进行缺陷分类.通过实验分析,证明上述模型具有良好的收敛性、准确性、稳定性和泛化能力.