基于Faster R-CNN的刨花板表面缺陷检测研究

• 全文链接
• 请求原文

作   者：

彭煜;  肖书浩;  阮金华;  汤勃; 

作者机构：

武昌首义学院机电与自动化学院;  武汉科技大学机械自动化学院冶金装备及其控制教育部重点实验室; 

关键词：

卷积神经网络;  刨花板表面缺陷;  深度学习;  Faster R-CNN; 

期刊名称：

组合机床与自动化加工技术

基金项目：

基于视觉注意机制和深度学习的多相机多模态多类型钢板表面微小缺陷检测与识别

i s s n：

1001-2265

年卷期：

2020 年 03 期

页   码：

91-94

摘   要：

为了克服刨花板表面缺陷人工目视检测的局限性,实现对多种缺陷准确、实时检测,提出一种基于Faster R-CNN的检测方法。运用从工厂生产现场获取的各种表面缺陷图,制作成一个包含3566张刨花板表面缺陷图像数据集,其中主要包括胶块、水印、砂痕、杂物、粗刨花5种缺陷类型。通过用该数据集对Faster R-CNN在ZF、VGG16和ResNet101不同特征提取网络下的不同锚点(Anchor)设置模型分别进行训练、验证和测试,并对比了不同参数对检测精度的影响。结果显示,该方法能有效检测刨花板表面缺陷,且模型在ResNet101作为特征提取网络时准确率最高。在对训练好的Faster R-CNN模型的鲁棒性进行评估和验证中,模型对122张新图像的5种缺陷类型进行检测,测试的5种缺陷类型识别率分别为92.31%、91.84%、90.57%、96.88%和95.24%,平均检测率为93.37%,测试结果表明该方法能为基于机器视觉刨花板表面缺陷检测系统提供良好支撑。