Resumen

Para detectar automáticamente defectos en juntas de plástico, en este estudio se diseñó y estableció un conjunto de dispositivos visuales de detección de defectos en juntas de plástico basados en aprendizaje por transferencia de GoogLeNet Inception-V2. Se adoptó la red neuronal convolucional profunda (DCNN) GoogLeNet Inception-V2 para extraer y clasificar las características defectuosas de las juntas de plástico con el fin de resolver el problema de sus numerosos defectos en la superficie y la dificultad para extraer y clasificar las características. Las aplicaciones de aprendizaje profundo requieren una gran cantidad de datos de entrenamiento para evitar el sobreajuste del modelo, pero hay pocos conjuntos de datos de defectos en juntas de plástico. Para abordar este problema, se aplicó aumento de datos a nuestro conjunto de datos. Finalmente, se comparó de manera integral el rendimiento de las tres redes neuronales convolucionales. Los resultados mostraron que el modelo de aprendizaje por transferencia GoogLeNet Inception-V2 tuvo un mejor rendimiento en menos tiempo

• Materias:Colonias de abejas artificiales Inteligencia artificial Patrón espacial Innovación de la comunicación Algoritmo de red neuronal
• Subjects:Artificial bee colonies Artificial intelligence Spatial pattern Communication innovation Neural network algorithm
• Palabras claves:Defectos en la junta de plástico; GoogLeNet Inception-V2; Transfer learning; Red neuronal convolucional profunda; Aumento de datos; Rendimiento
• Keywords:Plastic gasket defects; GoogLeNet Inception-V2; Transfer learning; Deep convolutional neural network; Data augmentation; Performance