基于迭代深度学习的缺陷检测

李腾飞秦永彬

（贵州大学计算机科学与技术学院贵阳550025）

基于迭代深度学习的缺陷检测

李腾飞秦永彬

（贵州大学计算机科学与技术学院贵阳550025）

随着深度学习的发展，越来越多基于深度学习的应用被推出，深度学习在目标检测，物体识别，语音语义识别等领域都取得了飞跃发展。其中，由于卷积神经网络在图像分类中的广泛应用，现如今的图像识别与传统的图像识别方法已经有了明显的区别。论文使用卷积神经网络对工件缺陷进行检测，针对深度学习在实际应用中出现的小数据集过拟合问题，提出了一种可迭代的深度学习方法来提高识别率并且降低数据的过拟合。

深度学习；卷积神经网络；过拟合；缺陷检测

Class NumberTP391

1 引言

随着神经网络中反向传播算法［1］梯度弥散问题的解决，神经网络短短数年间得到了迅猛的发展，其中以多层次神经网络的深度学习最为突出。针对图像分类和目标识别问题，我们通常的做法是对原始图像进行特征提取，形成特征数据集合，之后将数据集合通过分类器训练，进而利用这些特征集实现图像分类或目标识别。卷积神经网络［2］实现了一种端到端的学习，即将特征提取的过滤器参数学习与针对分类的分类参数学习作为一个整体，并相互制约，从而达到较好的训练学习效果。目前的卷积神经网络主要是使用Imagenet［3］等较大的数据集，其分类效果可以与人类相媲美甚至高于人类，但在实际的工业生产当中，卷积神经网络的使用往往伴随着初始数据量不大，数据集中的正负样本分布极不均匀等情况，在本文利用深度学习进行工件缺陷检测的应用中，就会遇到上述情况。……