10.3969/j.issn.1009-9492.2022.07.036
基于机器视觉的钢材表面缺陷检测
针对传统缺陷检测方法普遍存在检测精度低的问题,以Faster R-CNN算法为基本检测算法,通过融合其主干网络VGG-16网络Block3与Block5的特征,并以两个IoU阈值分别为0.5和0.6的级联R-CNN网络作为检测网络,提出一种基于机器视觉的钢材表面缺陷检测方法.仿真结果表明,所提方法通过融合Block3与Block5特征融合,减少了结构信息的丢失;通过级联两个不同IoU阈值的R-CNN网络,实现了对区域建议框的更准确分类与定位,提高了钢材表面缺陷检测精度,使平均检测精度达到98.29%,检测速度达到12.26帧/s.相较于基于SSD和YOLO-V3等传统检测算法,平均检测精度和检测速度均得到不同程度的提升,具有一定的有效性和优越性,能够解决传统缺陷检测方法存在的检测精度低的问题,可满足不同类别的钢材表面缺陷检测需求.
机器视觉、钢材表面缺陷、缺陷检测、Faster R-CNN算法
51
TP391.4;TP183(计算技术、计算机技术)
2022-08-11(万方平台首次上网日期,不代表论文的发表时间)
共5页
159-163