基于Mask R-CNN的铸件X射线DR图像缺陷检测研究
针对传统的铸件缺陷检测不能对缺陷进行分类分级等问题,提出了一种基于Mask R-CNN的铸件X射线DR图像缺陷检测算法.首先对原始图像进行预处理,采用引导滤波进行图像平滑,平滑图像与原图像进行差分得到差分图像,将差分图像与平滑图像相加运算使图像增强,再利用Labelme进行图像标注,形成训练数据集.送入Mask R-CNN深度学习网络,通过特征提取网络生成建议区域,分类、回归网络生成边界框和掩码,经多次参数调节后得到训练网络模型,最后测试数据集.实验数据结果表明,气泡1~5级的检测率分别为:66.7%,71.4%,77.4%,88.9%,87.5%;疏松1~5级检测率为:62.5%,72.2%,77.1%,83.3%,81.1%.检测结果证明应用Mask R-CNN结合引导滤波增强方法的缺陷检测方法可以较好的实现对铸件X射线DR图像的缺陷检测的分级分类,为工业铸件缺陷检测提供了应用深度学习方法的解决方案.
Mask R-CNN、深度学习、铸件缺陷、引导滤波、实例分割
41
TP391.41;TH878+.1(计算技术、计算机技术)
重庆市自然科学基金;重庆市技术创新与应用发展项目
2020-09-04(万方平台首次上网日期,不代表论文的发表时间)
共9页
61-69