来源：期刊VIP网 时间：
作者：周友行;易倩;杨文佳;赵文杰;
单位：湘潭大学机械工程与力学学院;复杂轨迹加工工艺及装备教育部工程研究中心;
摘要：针对原始DenseNet模型检测工件表面粗糙度时间长、准确率较低的问题，结合卷积层滤波器注意力机制和批归一化层缩放系数提出一种工件表面粗糙度检测的深度学习模型。首先，利用注意力重要性值判定模块内的冗余通道。其次，在Dense Block模块内引入批归一化层缩放系数判别特征通道的重要程度。最后联合卷积层滤波器的注意力重要性值和批归一化层缩放系数裁剪冗余通道,实现模型剪枝。实验结果表明，原始DenseNet模型检测工件表面粗糙度的准确率为91.875%，检测时间为483 s。当剪枝率为20%时，其检测效果最好，检测准确率为96.875%，检测时间为255 s。相比于原始DenseNet模型，改进后的DenseNet模型检测效果更好，在质量检测领域方面具有一定的应用前景。
关键词：粗糙度检测;;深度学习;;DenseNet;;模型剪枝
基金资助：国家自然科学基金项目（52175254,51775468）;; 湖南省教育厅科学研究项目（20A505）;; 湖南省研究生科研创新项目（CX20210645）;; 湘潭大学研究生科研创新项目（XDCX2021B174）
