基于级联孪生密集网络的金属表面缺陷检测方法

摘要：

针对当前金属表面缺陷实时检测中存在的缺陷检测精度不高以及难以定位等问题,提出一种基于级联孪生密集网络的表面缺陷检测方法SCSEG-Net.该方法通过加入空洞空间金字塔池化模块结构,获取具有不同采样率的特征图捕获多尺度信息;同时,为了增强分类准确度,在训练时融合浅层卷积获取的低层纹理和边界等特征和深度卷积获取的复杂高层特征信息,通过级联网络更好地优化训练参数.SCSEG-Net可以将缺陷图像转换为像素级预测蒙版,并快速地获取真实的缺陷类别.在行业标准钢铁表面缺陷数据集上对SCSEG-Net方法进行训练、评估及验证,结果表明,对比同类方法,该方法能更精确地分割出钢铁表面缺陷的轮廓并完成分类,F1值为97.8％,召回率为98.81％.

关键词：表面缺陷检测、图像分割、深度学习、卷积神经网络

所属期刊栏目：34

分类号：TP391.41(计算技术、计算机技术)

资助基金：国家自然科学基金;国家自然科学基金

在线出版日期：2022-06-29（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：946-952