首页|融合引导锚框算法的Faster-RCNN缺陷检测

融合引导锚框算法的Faster-RCNN缺陷检测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
针对传统零件表面缺陷检测方法准确性差效率低,无法满足智能制造需求的问题,提出基于Faster-RCNN深度学习算法的缺陷检测方法.在Faster-RCNN基本算法的基础上,引入引导锚框算法生成anchor方案,解决算法中anchor方案对本次检测的缺陷目标缺乏针对性、产生大量的冗余区域建议窗口的问题,以提高检测的准确性和效率;通过对比非极大值抑制中不同的IOU阈值对检测结果的影响,确定最优的IOU阈值,并设计零件缺陷样本采集方案,建立三种零件缺陷数据集,在此基础上对方法的有效性进行试验验证.实验结果表明,该方法能够大幅度提高零件表面缺陷检测的准确性和效率,各缺陷检测结果的平均精度可达97.7％以上,平均检测速度达到4.3 fps,满足了智能制造的急迫需求.
Faster-RCNN Part Defect Detection Based on Guided Anchoring Algorithm

郭兰申、李杨、黄凤荣、钱法

展开 >

河北工业大学机械工程学院,天津300131

表面缺陷检测 卷积神经网络 深度学习 Faster-RCNN算法 引导锚框算法

%%

61973333

2022

机械设计与制造
辽宁省机械研究院

机械设计与制造

CSTPCD北大核心
影响因子：0.511
ISSN：1001-3997
年,卷(期)：2022.374(4)
  • 1
  • 2