相关实验视频
Updated: May 27, 2025
09:17
Surrogate Model Development for Digital Experiments in Welding
Published on: March 28, 2025
653
基于轻量级DCGAN和MobileNet的模型,用于在不平衡样本下检测X射线接缺陷
Lei Zhang1,2, Haihong Pan1, Bingqi Jia1
1The School of Mechanical Engineering, Guangxi University, Nanning, 530004, China.
Scientific reports
|February 20, 2025
概括
本研究引入了改进的DCGAN和DG-MobileNet模型,以生成多种接缺陷样本,并提高缺陷识别的准确性. 新型号实现了98.78%的识别精度,改善了工业检查.
科学领域:
- 制造业 工程 制造工程
- 人工智能的人工智能
- 材料科学 材料科学 材料科学
背景情况:
- 在制造业中,X射线非破坏性测试对于接检查至关重要.
- 不同的接缺陷和不平衡的数据阻碍了准确的缺陷分类,并导致模型过拟合.
- 现有的模型在识别接缺陷时的准确性低,融合性差.
研究的目的:
- 提出一个改进的DCGAN模型,用于生成合成接缺陷样本,以解决数据不平衡.
- 引入一个轻量级的DG-MobileNet模型,以准确有效地识别接缺陷.
- 提高缺陷分类模型的特征提取能力和概括能力.
主要方法:
- 开发了与深层卷积神经网络集成的改进的DCGAN模型,以生成增强接缺陷数据集.
- 一个轻量级的DG-MobileNet模型包含扩展卷积模块和Squeeze-and-Excitation自我注意机制,用于缺陷识别.
- 模型优化包括将完全连接的层替换为全球平均池,并将DropBlock与批量规范化集成在一起.
主要成果:
- 拟议的模型实现了98.78%的高识别精度,用于接缺陷的识别.
- 综合方法有效地增加了培训样本的数量,并减轻了分类器过度装配.
- 在效率和轻量级设计方面,DG-MobileNet模型表现出卓越的性能.
结论:
- 开发的模型为提高接缺陷分类准确性和解决数据不平衡问题提供了强大的解决方案.
- 拟议的方法显示了实际工业应用的巨大潜力,需要高效准确的非破坏性测试.
- 该研究强调了将生成对抗网络与先进的卷积神经网络架构相结合的有效性,用于工业缺陷检测.
