来源：期刊VIP网 时间：
作者：徐吉高;陈江义;秦东晨;沈鹏;
单位：郑州大学机械与动力工程学院;
摘要：为了针对钢材表面缺陷尺度小、有用的特征信息少，提出了在卷积神经网络（CNN）的基础架构上添加卷积注意力模块（CBAM），改进后的网络模型对于数据集进行更层次的特征提取，更加关注特征信息的位置以及意义，使提取到的特征更加精炼，加强特征重复利用，提升模型的表现力。实验结果表明：在数据集特征信息少、分类对象较为单一的情况下，本文所提出方法相较于更深层次的网络模型对于分类任务取得更好的效果，缺陷检测分类准确率可达99%，平均检测速度8.21ms，满足实时检测需求。
关键词：钢材表面缺陷检测;;卷积神经网络;;卷积注意力模块
基金资助：国家重点研发计划项目（2018YFB2000501）
