基于多任务深度学习的铝材表面缺陷检测
针对工业铝材缺陷检测中由缺陷样本稀疏带来的训练过拟合、泛化性能差等问题,提出一种基于多任务深度学习的铝材缺陷检测方法.先基于Faster RCNN设计一个包含铝材区域分割、缺陷多标签分类和缺陷目标检测的多任务深度网络模型;再设计多任务损失层,利用自适应权重对各项任务进行加权平衡,解决了多项任务训练中的收敛不均衡问题.实验结果表明,在有限的数据集支持下,相较于单任务学习,该方法能够在保持分割任务的均交并比(MIoU)指标最优的情况下,分别提高多标签分类和缺陷目标检测的准确率,解决了由铝材缺陷检测样本少引起的检测精度较低的问题.对于多任务应用场景,该模型能够同时完成三个任务,减少推断时间,提高检测效率.
机器视觉、工业检测、缺陷检测、多任务学习、目标检测、图像分类、图像分割
57
TP391.4(计算技术、计算机技术)
国家重点研发计划;国家重点研发计划;国家自然科学基金;国家自然科学基金;国家自然科学基金
2020-07-02(万方平台首次上网日期,不代表论文的发表时间)
共10页
275-284