改进GoogLeNet模型在光纤连接器端面缺陷识别中的应用

摘要

光纤连接器作为实现光纤之间连接的重要光无源器件，其端面表面质量的好坏会影响到光纤传输性能.经典卷积神经网络模型结构较为复杂，网络参数较多，无法满足光纤连接器端面缺陷图像识别的实时性要求.为了解决上述问题，该文设计了一种改进的GoogLeNet模型，在保障模型识别准确率的同时可提升模型的推理速度.首先，提出一种轻量化的Inception结构，减少了网络参数，保留了更多的缺陷图像的细节信息.其次，由于光纤连机器端面缺陷多为小微缺陷，对纹理特征等信息的依赖较大，通过在网络模型中引入高效通道注意力机制(ECA-Net)模块，着重提取图像中的缺陷特征.最后，对GoogLeNet模型进行改进，减少网络参数，提高模型分类性能.实验结果表明，改进的GoogLeNet模型的分类精度为95.7%,每秒传输帧数(FPS)达到了173.相较于AlexNet、VGG16、VGG19和原始的GoogLeNet模型，在保证分类精度基本一致的情况下，单张图像的推理速度分别提升了90.8%、82.9%、83.2%和81.5%.

关键词

GoogLeNet / 光纤连接器 / 缺陷分类 / 深度学习