CNN融合PCA-DT模型的金属缺陷识别研究

针对金属缺陷识别分类,传统机器学习需要人工提取特征,而深度学习需要大量样本的问题,本文针对中小规模缺陷数据集提出了一种基于浅层的卷积神经网络(CNN)和决策树(DT)的金属缺陷分类方法.利用卷积神经网络提取特征,通过决策树分类,实现缺陷分类.引入主成分分析(PCA)方法对特征向量降维,减小过拟合并提升算法识别分类效率.为验证本文方法的通用性,除图像缺陷数据外还引入非图像缺陷数据.实验结果表明,本文方法除了能分类图像缺陷也能分类非图像缺陷,且在识别率等3个评价指标上本文方法优于传统机器学习方法,与深度学习方法持平,但在分类消耗时间上少于深度学习.