基于深度子空间学习的焊缝缺陷检测方法
来源：计算机集成制造系统杂志2024年第1期北京时间：
作者：李进军, 王肖锋, 葛为民
单位：1.天津理工大学计算机科学与工程学院2.天津理工大学天津市先进机电系统设计与智能控制重点实验室3.天津理工大学机电工程国家级实验教学示范中心
摘要：主成分分析网络(PCANet)是一个基于简化的卷积神经网络的深度子空间学习模型。针对PCANet算法应用于焊缝缺陷检测时无法体现数据完整结构信息、对噪声较敏感等问题,在PCANet的基础上提出一种鲁棒非贪婪双向二维PCANet(RNG-BDPCANet )焊缝缺陷在线检测方法。RNG-BDPCANet在范数距离度量标准下,利用双向二维主成分分析作卷积核,并采用非贪婪策略得到目标函数最优的整体投影矩阵,对离群值具有较强的鲁棒性。最后,在自建的焊缝人工数据集、ORL和Yale B人脸数据集上分别进行实验。结果表明,所提出的算法在分类性能方面得到显著提高,具有较强的鲁棒性能。
关键词：焊缝缺陷,主成分分析网络,深度学习,二维主成分分析,鲁棒性,范数
基金资助：国家重点研发计划资助项目(2017YFB1303304);天津市科技计划重大专项资助项目(17ZXZNGX00110)。
