基于深度学习的热轧带钢表面缺陷自动检测技术python源码+介绍PPT+技术文档+UI（高分毕设）.zip资源-CSDN文库

共15个文件

py：7个

ui：2个

pdf：2个

版权申诉

毕业设计

深度学习

86 浏览量 2024-04-12 09:19:10 上传评论收藏 7MB ZIP 举报

资源推荐

资源详情

资源评论

收起资源包目录

基于深度学习的热轧带钢表面缺陷自动检测技术python源码+介绍PPT+技术文档+UI（高分毕设）.zip （15个子文件）

projectcode30312

_config.yml 26B

网络文件与保存模型

train_final.py 6KB

MyProject.pt 4.12MB

test_final.py 5KB

测试代码(可视化).py 3KB

训练测试合并代码.py 3KB

数据集网盘地址.txt 621B

GUI界面设计

final01.py 4KB

demo.ui 5KB

demo01.py 2KB

demo01.ui 3KB

demo.py 4KB

结题答辩PPT.pdf 1.88MB

中期检查：基于深度学习的热轧带钢表面缺陷自动检测技术.pdf 1.64MB

README.md 1KB

# 基于深度学习的热轧带钢表面缺陷自动检测技术 Automatic detection technology for surface defects of hot-rolled strip steel based on deep learning # 1 基于Pytorch框架初步搭建了一套用于缺陷检测的CNN网络(Convolutional Neural Networks)，借助带标签数据，使用交叉验证的数据集分配方法，对网络进行训练和检测，实验表明，在训练轮次为100轮的条件下，我们的网络识别正确率可达68%； # 2 为了充分利用现有数据集，提高模型的泛化性能，我们给现有数据集加上高斯噪声，对数据集进行旋转平移等操作； # 3 为了减弱网络模型的过拟合现象，我们采用神经元随机失活(Dropout)方法，通过随机让部分神经元临时不参与计算的方式，减少神经元之间的依赖，迫使网络学习更加普适化的特征； # 4 为了减少参数数量，提升运算速度，我们改变最初的网络，采用一种轻量化的网络(EffNet)，这种网络相比于传统轻量化网络(SqueezeNet、MobileNet等)，在参数量基本相同的情况下，识别精度更高； # 5 为了增加自动检测系统的交互性能，我们借助pyqt5设计了具有统计缺陷数量和显示识别结果功能的GUI界面，并将相关代码移植到Linux操作系统下，通过树莓派运行，经检测识别正确率可达94%；

评论收藏

内容反馈

版权申诉