畳み込みニューラルネットワークを用いた鋼板の表面欠陥の分類

畳み込みニューラルネットワーク（CNN）が提案され、低レベル（生のピクセル）から高レベル（オブジェクト）までの分類のための複数の有用な特徴表現を学習します。畳み込みカーネルは、スパースオートエンコーダから得られる学習したフィルターカーネルによって初期化されます。特徴抽象化と分類器のトレーニングを2つの分離プロセスに分ける従来の方法とは異なり、識別特徴ベクトルとソフトマックス回帰の単一多クラス分類器がトレーニングプロセス中に同時に学習されます。学習された高品質の特徴表現に基づいて、分類が効率的に行われることができます。提案された方法の分類性能を評価する鋼板の表面欠陥の実世界のケースが詳細に示されています。実験結果は、提案された方法が非常にシンプルで、効果的かつロバストであることを示しています。