工件表面缺陷是影響機(jī)械設(shè)備性能的重要因素,快速高效的檢測(cè)方法是目前研究的重點(diǎn)。為了解決工件表面缺陷檢測(cè)問題,提出一種基于改進(jìn)SSD模型的檢測(cè)算法。該算法用本文提出的DH-MobileNet網(wǎng)絡(luò)代替SSD結(jié)構(gòu)中的VGG16網(wǎng)絡(luò),從而簡(jiǎn)化檢測(cè)模型,減少了運(yùn)算量。同時(shí)采用反向殘差結(jié)構(gòu)進(jìn)行位置預(yù)測(cè),并用空洞卷積代替下采樣操作以避免信息損失。利用掃描電子顯微鏡得到工件表面圖像,建立工件表面缺陷數(shù)據(jù)集并進(jìn)行擴(kuò)充,最后針對(duì)碎屑、剝落和梨溝這3類高頻缺陷進(jìn)行訓(xùn)練和測(cè)試,并與YOLO、Faster R-CNN和原始SSD模型進(jìn)行效果比較。檢測(cè)結(jié)果表明該算法能夠更準(zhǔn)確、快速地檢測(cè)工件表面缺陷,為實(shí)際工業(yè)場(chǎng)景中的缺陷檢測(cè)提供了新的思路。 

【文章來源】：計(jì)算機(jī)工程與科學(xué). 2020,42(09)北大核心CSCD

【文章頁數(shù)】：8 頁

【部分圖文】：

SSD網(wǎng)絡(luò)模型結(jié)構(gòu)圖

圖1 SSD網(wǎng)絡(luò)模型結(jié)構(gòu)圖每個(gè)默認(rèn)框預(yù)測(cè)B類目標(biāo)和4個(gè)位置參數(shù)，本文實(shí)驗(yàn)B設(shè)置為3，因?yàn)樵诠ぜ砻嬷杏?種典型的缺陷，每個(gè)特征圖的默認(rèn)框的計(jì)算如式（1）所示：

MobileNet是Howard等人[21]提出的一種輕量級(jí)卷積神經(jīng)網(wǎng)絡(luò)，基本單元為深度可分離卷積，訓(xùn)練時(shí)所需參數(shù)較少，能夠節(jié)省時(shí)間并且可以實(shí)現(xiàn)移動(dòng)設(shè)備的部署。MobileNet網(wǎng)絡(luò)模型的結(jié)構(gòu)如圖4所示。圖4為MobileNet的網(wǎng)絡(luò)結(jié)構(gòu)圖，其中ConvDw-Pw是一種深度可分離的卷積結(jié)構(gòu)。由深度卷積Dw(Depth-wise）和點(diǎn)卷積Pw(Point-wise)2部分構(gòu)成。Dw由3×3的深度卷積核構(gòu)成，Pw由1×1的點(diǎn)卷積核構(gòu)成。BN(Batch Normalization）代表批處理規(guī)范化，ReLU6表示激活函數(shù)。

【參考文獻(xiàn)】：
期刊論文
[1]基于深度學(xué)習(xí)的目標(biāo)檢測(cè)框架進(jìn)展研究[J]. 寇大磊,權(quán)冀川,張仲偉.  計(jì)算機(jī)工程與應(yīng)用. 2019(11)
[2]基于改進(jìn)SSD的果園行人實(shí)時(shí)檢測(cè)方法[J]. 劉慧,張禮帥,沈躍,張健,吳邊.  農(nóng)業(yè)機(jī)械學(xué)報(bào). 2019(04)
[3]基于形狀輪廓特征的金字塔匹配算法[J]. 王江輝,吳小俊.  計(jì)算機(jī)工程與應(yīng)用. 2019(01)
[4]基于CNN的工件缺陷檢測(cè)方法研究[J]. 喬麗,趙爾敦,劉俊杰,程彬.  計(jì)算機(jī)科學(xué). 2017(S2)
[5]基于堆疊降噪自動(dòng)編碼器的膠囊缺陷檢測(cè)方法[J]. 王憲保,何文秀,王辛剛,姚明海,錢沄濤.  計(jì)算機(jī)科學(xué). 2016(02)
[6]工件表面微小缺陷的檢測(cè)與識(shí)別方法[J]. 趙君愛,賈民平.  東南大學(xué)學(xué)報(bào)(自然科學(xué)版). 2014(04)
[7]基于深度學(xué)習(xí)的太陽能電池片表面缺陷檢測(cè)方法[J]. 王憲保,李潔,姚明海,何文秀,錢沄濤.  模式識(shí)別與人工智能. 2014(06)



本文編號(hào)：3139000