基于级联神经网络的型钢表面缺陷检测算法

摘要：

深度学习在缺陷检测方面具有优越性能,然而在工业应用过程中由于缺陷概率低,无缺陷图像的检测过程占据了大部分计算时间,严重限制了整体上的有效检测速度.针对上述问题,提出一种基于级联网络的型钢表面缺陷检测算法SDNet.该算法分为两个阶段:预检阶段和精检阶段.预检阶段采用基于深度可分离卷积(DSC)以及多尺度并行卷积的轻量化ResNet预检网络,判断型钢表面图像是否存在缺陷;精检阶段以YOLOv3作为基准网络对图像中的缺陷进行准确分类与定位,并在主干特征提取网络以及预测分支中引入改进空洞空间金字塔池化(ASPP)模块以及对偶注意力模块,以提升网络的检测性能.实验结果表明,SDNet在1024像素×1024像素图像上的检测速度达到每秒120.63帧,准确率达到92.1％.与原YOLOv3算法相比,所提算法的检测速度是原YOLOv3算法的3.7倍,检测精度提高了10.4个百分点,可应用于型钢表面缺陷的快速检测.

关键词：缺陷检测、级联神经网络、ResNet、YOLOv3

所属期刊栏目：43

分类号：TP391.4(计算技术、计算机技术)

资助基金：天津市自然科学基金资助项目19JCYBJC18800

在线出版日期：2023-02-15（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：232-241