面向单一背景的改进RetinaNet目标检测方法研究

摘要：

基于深度学习的目标检测算法在工业缺陷检测领域得到了充分推广与应用,但少有适用于工业检测场景中单一背景的算法.文中以工业检测场景中具有大量简单重复背景为出发点,对RetinaNet算法进行了如下改进:1)引入难负样本挖掘策略,减小了大量简单重复负样本对对模型拟合正样本的影响;2)设计了 自适应忽略样本选择策略,避免与正样本交并比高的样本混入负样本而混淆模型训练;3)简化了 RetinaNet的分类子网络,降低了模型改进后的过拟合风险.在公开的PCB缺失孔数据集及自建的LED气泡数据集上,相比RetinaNet算法,改进后的方法在召回率上分别提升了 14.1％和1.8％,在精确率上分别提升了 3.6％和0.4％,表明改进后的方法能显著提升单一背景下的目标检测水平.

关键词：深度学习、RetinaNet、自适应采样、单一背景

所属期刊栏目：50

分类号：TP391(计算技术、计算机技术)

资助基金：国家自然科学基金;国家重点基础研究发展计划（973计划）;安徽省科技攻关计划

在线出版日期：2023-07-18（万方平台首次上网日期，不代表论文的发表时间）

页数：共6页

页码：137-142