基于VGG16-SVM-SSA的产品表面质量检测方法

TP391%F270.1; 针对传统视觉检测方法容易出现漏检、错检、识别效率低等问题,提出一种基于深度学习的产品表面质量检测方法,加速产线检测效率和提高质量控制智能化水平.首先,从产品表面质量检测基本流程出发,进行产品表面质量问题建模.在此基础上,构建改进的VGG16网络模型进行图像识别,该模型采用支持向量机(SVM)代替VGG16网络模型中的softmax分类器,并引用麻雀搜索算法(SSA)进一步优化SVM超参数,从而增强模型分类精度.同时搭建图像缺陷特征知识库,完善标准产品表面缺陷数据体系.最后,设计开发了基于深度学习的工业云平台质量检测系统,实现产线、设备、人员之间的高效交互联通,以及产...

Full description

Saved in:
Bibliographic Details
Published in计算机集成制造系统 Vol. 30; no. 12; pp. 4435 - 4445
Main Authors 钟武昌, 战洪飞, 林颖俊, 叶晨, 余军合, 王瑞
Format Journal Article
LanguageChinese
Published 宁波大学机械工程与力学学院,浙江 宁波 315211%中银(宁波)电池有限公司,浙江 宁波 315040 31.12.2024
Subjects
支持向量机
工业云平台
麻雀搜索算法
support vector machine
industrial cloud platform
质量检测
quality inspection
VGG16网络模型
sparrow search algorithm
VGG16 network model
Online AccessGet full text

Cover

More Information
Summary:TP391%F270.1; 针对传统视觉检测方法容易出现漏检、错检、识别效率低等问题,提出一种基于深度学习的产品表面质量检测方法,加速产线检测效率和提高质量控制智能化水平.首先,从产品表面质量检测基本流程出发,进行产品表面质量问题建模.在此基础上,构建改进的VGG16网络模型进行图像识别,该模型采用支持向量机(SVM)代替VGG16网络模型中的softmax分类器,并引用麻雀搜索算法(SSA)进一步优化SVM超参数,从而增强模型分类精度.同时搭建图像缺陷特征知识库,完善标准产品表面缺陷数据体系.最后,设计开发了基于深度学习的工业云平台质量检测系统,实现产线、设备、人员之间的高效交互联通,以及产品表面质量数据的实时采集、传输、智能检测和数据管理,采用铸造叶轮案例验证了所提模型和方法的可行性.
ISSN:1006-5911
DOI:10.13196/j.cims.2022.0394