針對金屬表面缺陷檢測效率不高的問題,提出一種基于特征金字塔的多尺度缺陷檢測方法（MSDD）。首先,構(gòu)建特征金字塔分類網(wǎng)絡(luò)模型（FPCN）作為特征提取器并進(jìn)行分類預(yù)訓(xùn)練;其次,在FPCN后連接多尺度回歸層并進(jìn)行微調(diào);最后,利用非極大值抑制將MSDD輸出的4165個邊框進(jìn)行篩選得出最終檢測結(jié)果。在光度立體成像數(shù)據(jù)集上進(jìn)行實驗,實驗結(jié)果為該算法在個別類平均精確率（AP）達(dá)98%,各類別AP均值（mAP）達(dá)90%,召回率Recall平均為88.5%,單張圖片檢測用時約為13ms。這表明相比于現(xiàn)有多尺度算法SSD和YOLOv3,該算法對缺陷目標(biāo)特征提取更加精確,同時提高了魯棒性和檢測速度。 

【文章來源】：組合機(jī)床與自動化加工技術(shù). 2020,(08)北大核心

【文章頁數(shù)】：4 頁

【部分圖文】：

卷積神經(jīng)網(wǎng)絡(luò)

拼接技術(shù)可以使得不同維度但是具有相同尺寸的卷積層串聯(lián)起來,得到新的卷積層。拼接得到的卷積層具有更多特征細(xì)節(jié),文獻(xiàn)[18]已經(jīng)證實拼接技術(shù)可以提高分類性能。如圖2所示就是維數(shù)為64的卷積層C4和維數(shù)為64的卷積層C5的拼接。首先,將尺寸為7×7的卷積層C5進(jìn)行2倍上采樣,然后和卷積層C4進(jìn)行拼接,得到維數(shù)為128的特征層F2,其尺寸為14×14。如圖3所示,基于特征金字塔的分類網(wǎng)絡(luò)模型FPCN就是利用一系列卷積層、拼接技術(shù)、上采樣技術(shù)和SoftMax構(gòu)建出來的網(wǎng)絡(luò)模型。如表1所示,這個模型最終會輸出4個特征層,分別為F1、F2、F3和F4。每層卷積層的激活函數(shù)為ReLU函數(shù)。

如圖3所示,基于特征金字塔的分類網(wǎng)絡(luò)模型FPCN就是利用一系列卷積層、拼接技術(shù)、上采樣技術(shù)和SoftMax構(gòu)建出來的網(wǎng)絡(luò)模型。如表1所示,這個模型最終會輸出4個特征層,分別為F1、F2、F3和F4。每層卷積層的激活函數(shù)為ReLU函數(shù)。表1 FPCN詳細(xì)參數(shù) 名稱 操作 卷積核數(shù) 尺寸/步長 輸出尺寸 C1 Conv 64 3×3/2 112×112 C2 Conv 64 3×3/2 56×56 C3 Conv 64 3×3/2 28×28 C4 Conv 64 3×3/2 14×14 C5 Conv 64 3×3/2 7×7 F1 Conv 64 3×3/1 7×7 F2 Conca 128 14×14 F3 Conca 192 28×28 F4 Conca 256 56×56

【參考文獻(xiàn)】：
期刊論文
[1]基于SSD算法的輸電線路上絕緣子缺陷檢測方法研究[J]. 李偉性,鄭武略,王寧,趙航航.  儀器儀表用戶. 2019(08)
[2]基于深度學(xué)習(xí)的點膠缺陷檢測[J]. 查廣豐,胡泓.  電子技術(shù)與軟件工程. 2019(13)
[3]基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的表面缺陷檢測[J]. 姚明海,袁惠.  高技術(shù)通訊. 2019(06)
[4]基于改進(jìn)SSD的高效目標(biāo)檢測方法[J]. 王文光,李強(qiáng),林茂松,賀賢珍.  計算機(jī)工程與應(yīng)用. 2019(13)
[5]Attention-YOLO:引入注意力機(jī)制的YOLO檢測算法[J]. 徐誠極,王曉峰,楊亞東.  計算機(jī)工程與應(yīng)用. 2019(06)
[6]基于改進(jìn)的R-FCN帶紋理透明塑料裂痕檢測[J]. 關(guān)日釗,陳新度,吳磊,徐焯基.  計算機(jī)工程與應(yīng)用. 2019(06)

碩士論文
[1]基于深度學(xué)習(xí)的涂布缺陷檢測技術(shù)研究[D]. 李自明.西安理工大學(xué) 2019
[2]基于卷積神經(jīng)網(wǎng)絡(luò)的微小零件表面缺陷檢測技術(shù)研究[D]. 劉聰.哈爾濱理工大學(xué) 2019



本文編號：3223884