基于CNN_与SVDD_融合的螺栓图像检测方法研究.pdfVIP

基于CNN_与SVDD_融合的螺栓图像检测方法研究--第1页

第50卷第1期中国测试Vol.50No.1

2024年1月CHINAMEASUREMENTTESTJanuary,2024

引用格式：徐志玲,孔明,刘子豪.基于CNN与SVDD融合的螺栓图像检测方法研究[J].中国测试，2024,50(1):46-53.XU

Zhiling,KONGMing,LIUZihao.ResearchonboltimagedetectionmethodbasedonafusionofCNNandSVDD[J].China

MeasurementTest,2024,50(1):46-53.DOI:10.11857/j.issn.1674-5124.2022090130

基于CNN与SVDD融合的螺栓图像检测方法研究

112

徐志玲，孔明，刘子豪

(1.中国计量大学质量与安全工程学院，浙江杭州310018;2.嘉兴学院信息科学与工程学院，浙江嘉兴314001)

摘要:在传统紧固件质量检测行业中，工人负责对产品合格与否进行质量评估，然而人工检测效率低下、易疲劳、

误检率高成为制约紧固件行业智能化的关键问题，针对此问题，该文提出一种卷积神经网络（CNN）与支持向量数据

描述法（SVDD）融合的螺栓异常检测模型。首先，图像获取装置通过在全方位设置多个摄像头捕捉螺栓的全表面图

像信息，图像输入卷积神经网络逐层提取螺栓图像特征，获取螺栓的中高层特征；然后SVDD，作为异常检测分类器

进行螺栓缺陷的识别，针对在线获取螺栓缺陷样本的不足导致的样本不平衡问题，提出采用卷积自编码器建立预训

练过程，将学习到的权重迁移到深度SVDD模型上作为初始权重。实验结果表明，相比于其他螺栓检测算法，所提

融合模型在自主构造的螺栓侧面图像集、头部图像集和底部图像螺栓集上均可取得较优的识别结果，而且所提算法

的时间和空间复杂度控制在一定范围内，具有较好的应用价值和市场推广前景。

关键词:螺栓;缺陷检测;卷积神经网络;异常检测;SVDD

中图分类号:TP216;TB9文献标志码:A文章编号:1674–5124(2024)01–0046–08

ResearchonboltimagedetectionmethodbasedonafusionofCNNandSVDD

112

XUZhiling,KONGMing,LIUZihao

ScienceandEngineeringCollege,JiaxingUniversity,Jiaxing314001,China)

Abstract

encoderisproposedtoestablishapre-trainingprocess,andthelearnedweightsaretransferredtothedeep

SVDDmodelastheinitialweights.Theexperimentalresultsshowthatcomparedwithotherboltdetection

收稿日期:2022-09-22；收到修改稿日期:2022-11-10

基金项目:浙江省公益技术研究计划(LGG20FD30006)

作者简介:徐志玲（1966-），