針對現(xiàn)有的金屬表面缺陷檢測方法存在著檢測效率低、適用范圍受限、處理步驟繁瑣等缺陷,提出了基于改進(jìn)型YOLOv3算法的實時缺陷檢測方法。該方法將采集到的圖片分為N×N個格子,每個格子用來檢測缺陷的中心點是否在格子中,利用特征金字塔與殘差層融合特征的方式對圖片中的缺陷進(jìn)行定位,得到多個缺陷的邊界框,使用非極大抑制的方法篩選出得分最高的邊界框。為了提高檢測效果,在輸入端對圖像進(jìn)行直方圖均衡化,并基于缺陷權(quán)重優(yōu)化了算法中的損失函數(shù)以提高缺陷分類的準(zhǔn)確性。最后,利用改進(jìn)型YOLOv3算法對鋼板表面的壓痕與劃痕進(jìn)行了實驗檢測,結(jié)果顯示該方法可以快速、準(zhǔn)確檢測出鋼材表面的壓痕與劃痕,精度分別為92%和90%。 

【文章來源】：機(jī)械科學(xué)與技術(shù). 2020,39(09)北大核心CSCD

【文章頁數(shù)】：5 頁

【部分圖文】：

DarkNet-53結(jié)構(gòu)圖

特征金字塔示意圖

檢測方法的技術(shù)路線如圖3所示,可以將其分為模型訓(xùn)練部分和缺陷檢測部分,在模型訓(xùn)練部分中首先對訓(xùn)練樣本進(jìn)行了數(shù)據(jù)增強(qiáng)操作,以提高模型的魯棒性;然后為了提高模型對缺陷種類的分類能力,對其損失函數(shù)進(jìn)行了優(yōu)化;最后對模型進(jìn)行訓(xùn)練,得到優(yōu)化后的檢測模型。在缺陷檢測部分,首先將生產(chǎn)過程中實時產(chǎn)生的圖片作為輸入,進(jìn)行直方圖增強(qiáng)操作,從而放大圖片中的細(xì)節(jié);然后使用優(yōu)化后的模型進(jìn)行檢測,判斷圖片中是否含有缺陷,若包含缺陷則輸出缺陷位置,并且實時反饋給生產(chǎn)系統(tǒng)。

【參考文獻(xiàn)】：
期刊論文
[1]基于YOLO算法的眼底圖像視盤定位方法[J]. 蔣蕓,彭婷婷,譚寧,侯金泉.  計算機(jī)工程與科學(xué). 2019(09)
[2]紅外熱成像無損檢測技術(shù)現(xiàn)狀及發(fā)展[J]. 陳大鵬,毛宏霞,肖志河.  計算機(jī)測量與控制. 2016(04)

碩士論文
[1]基于隨機(jī)森林的激光超聲金屬表面缺陷識別方法研究[D]. 崔潔.中北大學(xué) 2019
[2]基于機(jī)器視覺的鋼板表面缺陷識別研究[D]. 胡聯(lián)亭.武漢科技大學(xué) 2018



本文編號：3457423