融入IBN-NET的轻量网络在金属圆柱工件缺陷识别中的应用

摘要

cqvip:金属圆柱工件的缺陷特征容易受到环境光影响,而使用传统卷积神经网络检测金属圆柱工件缺陷,存在网络参数多,运算量大和泛化能力低等问题,难以满足工业现场检测的实时性和高精度要求.针对这些问题,提出一种融入实例-批归一化网络(IBN-NET)的轻量网络模型.在轻量卷积神经网络SqueezeNext的基础上,加入增强泛化能力的IBN-NET,将浅层卷积层后的批标准化(BN)用一定比例的实例标准化(IN)替代,形成网络模型的基础模块;通过组合基础模块,形成改进的网络模型.实验采用具有5类金属圆柱工件缺陷的图像进行对比测试,结果表明,融入IBN-NET的改进网络模型拥有更高的泛化能力,在GTX1080显卡上,改进网络模型仅需0.58 M参数量和5.54 ms的识别时间就能达到95.8%的识别精度.