基于度量学习的小样本零器件表面缺陷检测

摘要：

针对零器件表面缺陷检测时存在缺陷样本少、缺陷目标尺寸大小不一和易发生几何形变等问题,提出一种基于度量学习的小样本零器件表面缺陷检测模型.该模型首先将特征金字塔网络中传统卷积改进为动态卷积,并加上区域建议网络对小样本缺陷进行特征提取和边框定位;然后在大型数据集MS COCO上进行预训练,将训练好的模型结构参数迁移到具有少量缺陷样本的检测中;最后建立基于度量学习的多模态网络结构实现小样本零器件表面缺陷检测.实验表明,所提方法在ImageNetLOC公共数据集上与其他模型相比性能更优,5类5样本下均值平均精度为70.43％;在所建立的零器件表面缺陷数据集上,3类5样本的均值平均精度最高可达35.76％,相比RepMet模型性能最大可多提升近70％.

关键词：零器件表面缺陷检测、度量学习、小样本、特征金字塔、可变形卷积

所属期刊栏目：41

分类号：TH865;TP29

资助基金：北京市自然科学基金;辽宁省自然科学基金

在线出版日期：2020-12-03（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：214-223