針對傳統(tǒng)深度學習模型在進行焊縫缺陷檢測時對小缺陷目標檢測效果不理想問題,提出基于改進深度學習Faster RCNN模型的焊縫缺陷檢測算法,算法通過多層特征網(wǎng)絡(luò)提取多尺度特征圖并共同作用于模型后續(xù)環(huán)節(jié),以充分利用模型中的低層特征,增加細節(jié)信息;改進模型的區(qū)域生成網(wǎng)絡(luò),加入多種滑動窗口,從而優(yōu)化了模型錨點的長寬比設(shè)置,提高檢測能力。實驗表明,改進Faster RCNN模型取得最優(yōu)的缺陷檢測結(jié)果,對于小缺陷目標仍取得較好的檢測精度,從而驗證了算法的有效性。 

【文章來源】：宇航計測技術(shù). 2020,40(03)CSCD

【文章頁數(shù)】：6 頁

【文章目錄】：
1 引言
2 改進Faster RCNN模型缺陷檢測
3 改進Faster RCNN模型的實驗分析
    3.1 數(shù)據(jù)集及網(wǎng)絡(luò)訓練
    3.2 實驗評估指標
    3.3 實驗結(jié)果及分析
4 結(jié)束語


【參考文獻】：
期刊論文
[1]基于超聲紅外熱成像的缺陷檢測與定位研究[J]. 米浩,楊明,于磊,安大偉,趙夙,金家欣,雷華明.  振動.測試與診斷. 2020(01)
[2]基于改進SSD的電力設(shè)備紅外圖像異常自動檢測方法[J]. 王旭紅,李浩,樊紹勝,蔣志鵬.  電工技術(shù)學報. 2020(S1)
[3]基于輪廓特征及灰度相似度匹配的接觸網(wǎng)絕緣子缺陷檢測（英文）[J]. Ping TAN,Xu-feng LI,Jin-mei XU,Ji-en MA,Fei-jie WANG,Jin DING,You-tong FANG,Yong NING.  Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2020(01)
[4]基于Faster R-卷積神經(jīng)網(wǎng)絡(luò)的金屬點陣結(jié)構(gòu)缺陷識別方法[J]. 張玉燕,李永保,溫銀堂,張芝威.  兵工學報. 2019(11)
[5]基于卷積神經(jīng)網(wǎng)絡(luò)快速區(qū)域標定的表面缺陷檢測[J]. 李宜汀,謝慶生,黃海松,姚立國,魏琴.  計算機集成制造系統(tǒng). 2019(08)
[6]基于X射線圖像的焊接接頭缺陷提取和識別方法綜述[J]. 李曄,吳志生,李硯峰,朱彥軍.  熱加工工藝. 2018(19)
[7]輸電線路絕緣子自爆缺陷識別方法[J]. 侯春萍,章衡光,張巍,楊陽,張貴峰,田治仁.  電力系統(tǒng)及其自動化學報. 2019(06)
[8]基于X射線圖像和卷積神經(jīng)網(wǎng)絡(luò)的石油鋼管焊縫缺陷檢測與識別[J]. 劉涵,郭潤元.  儀器儀表學報. 2018(04)



本文編號：3160265