首页|密集采样算法下的毛刺缸套外观缺陷检测

密集采样算法下的毛刺缸套外观缺陷检测

扫码查看
原文链接
  • NETL
  • NSTL
  • 万方数据
  • 维普
毛刺缸套外观缺陷种类繁多、评判标准不一,导致传统图像处理方法提取的特征信息鲁棒性较差,影响其检测效果.为了解决上述问题采用深度学习算法对缺陷位置定位,提取缺陷区域,结合图像处理算法进行定量分析,准确计算缺陷面积的大小.通过对YOLOv3算法进行优化,增加注意力空间机制、密集采样的方法对图像的不同通道的特征进行学习,并且加深特征层之间的语义信息的传递和复用.通过对比实验发现,经过改进后的深度学习算法检测精度提升4.4％,漏检率减少7.5％,并且单张图像检测时间为86ms,满足工业生产的实时性要求,结合图像处理进行定量分析,准确判别产品的缺陷.
The Appearance Defect Detection of Burr Cylinder Liner Based on Intensive Sampling Algorithm

Image ProcessingBurr Cylinder SleeveYOLOv3Defect DetectionAttention MechanismIntensive Sampling

张立、肖成军、肖河曼、王卫华

展开 >

广东白云学院机电工程学院,广东广州 510450

图像处理 毛刺缸套 YOLOv3 缺陷检测 注意力机制 密集采样

&&

2017KQNCX225

2023

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)：2023.391(9)
  • 3