一种基于改进Faster RCNN的金属材料工件表面缺陷检测与实现研究

摘要：

目的 针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法.方法 图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法.模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理.检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度.引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的.基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配(misalignment)的问题.结果 设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22帧/s,准确率达97.36％,召回率达95.62％.结论 与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能.

关键词：金属材料工件、表面缺陷识别、Faster RCNN、深度学习、目标检测

所属期刊栏目：49

分类号：TH169;TP391.4

资助基金：教育部科技发展中心产学研创新基金项目;重庆市教育科学规划项目

在线出版日期：2020-11-06（万方平台首次上网日期，不代表论文的发表时间）

页数：共10页

页码：362-371