论文部分内容阅读
针对钢铁图像缺陷检测问题,使用U型的深度学习神经网络模型U-Net和ResUNet对有缺陷的钢铁图像进行图像分割。通过python对钢铁图像进行数据统计,分析每类缺陷占比,以及缺陷数量与缺陷面积的关系。通过数据生成器依次将数据输入U-Net和Res-UNet模型,对比在相同损失函数下的Tversky系数和损失率。实验结果表明,Res-UNet模型的Tversky系数优于U-Net模型,且Res-UNet模型损失率低于U-Net模型,Res-UNet模型可以更准确地预测钢铁缺陷位置和缺陷类别。