基于Faster-RCNN的钢带缺陷检测方法

摘要：

目前实际工业生产中的钢带缺陷检测任务存在数据难以收集、缺陷识别效果较差等问题,为此提出一种基于Faster-RCNN的钢带缺陷检测模型FRDNet.通过k-means聚类获得锚框参数,使生成框更符合目标缺陷类别比例,提高缺陷检测精度;同时利用模型迁移的方式微调网络结构,使钢带缺陷检测模型更快地适应目标缺陷任务.该方法有效解决了目标钢带表面缺陷数据较少的问题,增强了模型的泛化性.试验结果表明,该方法在GC10-DET钢带缺陷数据集上平均精确率均值mAP达67.6％,相较于原始模型提升了4.9％,检测速度为27.2FPS,满足检测任务的要求.

关键词：人工智能;缺陷检测;迁移学习;聚类;卷积神经网络

所属期刊栏目：31

资助基金：云南省重大科技专项计划基金资助项目2018Z1001-2

在线出版日期：2021-05-28（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：77-83