10.19557/j.cnki.1001-9944.2023.09.017
基于改进深度学习算法的铸件缺陷自动检测识别研究
为改善多 目标缺陷识别漏检问题,提高铸件缺陷检测精度,该文提出了基于改进深度学习算法的铸件缺陷自动检测识别方法.利用数字式辐射成像技术获取铸件DR图像,并采用引导滤波算法对其作平滑处理,在YOLOv3网络结构基础上,引入空间金字塔池化(SPP)结构,将优化后的YOLOv3网络与Faster RCNN、Cascade RCNN网络融合构建缺陷检测融合模型,将处理后的铸件DR图像作为模型输入,实现铸件缺陷的高精度识别.实验结果表明,该方法可识别铸件DR图像多个缺陷目标,平均检测精度达到97.5%以上,有效降低漏检缺陷数量.
深度学习算法、铸件缺陷、数字式辐射成像、引导滤波、YOLOv3网络、损失函数
38
TP18;TG115.28(自动化基础理论)
山西省自然科学基金;太原科技大学教学改革项目
2023-09-28(万方平台首次上网日期,不代表论文的发表时间)
共5页
82-86