首页|基于深度学习的铝型材瑕疵检测方法

基于深度学习的铝型材瑕疵检测方法

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
铝型材表面由于生产工艺、机械振动等外在条件影响,会产生加工瑕疵,由于其瑕疵特有的纹理、尺寸、形状随机性、不规则性等因素,现有的一些金属表面瑕疵检测模型泛化能力差,无法在铝型材瑕疵检测上取得较好的检测效果.针对上述问题,提出一种改进Faster RCNN架构的铝型材表面瑕疵检测模型,通过改进原有卷积核计算模式,融合改进噪声过滤特征金字塔网络及形变卷积以提升检测模型对多尺度及不规则瑕疵表征的学习能力;同时改用ROI Align提取特征图及改进候选框生成网络损失函数以提高对微小瑕疵的定位能力;针对铝型材表面瑕疵多样性、类间相似问题,提出一种多阶段模型训练方法,并在原有Softmax损失函数基础上联立Center Loss优化损失函数,以提高模型的相似类别检测能力.通过实验对比结果表明,改进后的检测模型对不同类型的铝型材表面瑕疵均具有较高检测精度,平均分类精度达97.50％,mAP指标达到84.16％,同时保持了较低的误检率,可达到对铝型材表面瑕疵的有效识别,具有较强的实用性.
Aluminum profile defect detection method based ondeep learning

周博、罗维平、陈军、马双宝

展开 >

武汉纺织大学 机械工程与自动化学院,湖北 武汉 430200

湖北省数字化纺织装备重点实验室,湖北 武汉 430200

塔里木大学 信息工程学院,新疆 阿拉尔 843300

铝型材 疵点检测 特征金字塔 噪声过滤 可形变卷积

121063DTL2019020

2021

10.13624/j.cnki.issn.1001-7445.2021.0666

广西大学学报(自然科学版)
广西大学

广西大学学报(自然科学版)

CSTPCD北大核心
影响因子：0.767
ISSN：1001-7445
年,卷(期)：2021.46(3)
  • 1
  • 10