基于深度学习的航天密封圈表面缺陷检测

• 作者: 陶晓天 何博侠 张鹏辉 田德旭
• 来源期刊: 仪器仪表学报
• 关键词: 航天密封圈 深度学习 分解卷积 RetinaNet 缺陷检测
• 年，卷（期）: 2021,（1）
• 所属期刊栏目: 检测技术|Detection Technology
• 页码范围: 199-206
• 页数: 8页
• 分类号: TP391.4|TH878
• 语种: 中文
• DOI: 10.19650/j.cnki.cjsi.J2006915

摘要

针对航天密封圈表面缺陷人工检测效率低、传统图像处理检测算法通用性差的问题,提出了两种基于深度学习的密封圈表面缺陷检测算法.首先,针对缺陷大部分为小目标的特点,选取对小目标较敏感的RetinaNet网络作为检测算法的基本架构,通过在RetinaNet网络中引入轻量级网络MoGaA构建出MoGaA-RetinaNet算法.然后,为了提高检测精度,在MoGaA-RetinaNet基础上,用分解卷积模块代替MoGaA骨干网络中的深度卷积构建了newMoGaA骨干网络,设计出newMoGaA-RetinaNet算法.最后,在测试集上的实验结果表明,MoGaA-RetinaNet算法比RetinaNet算法检测速度更快,但检测准确率略低;而newMoGaA-RetinaNet算法实现了检测精度与检测速度的良好平衡,比RetinaNet算法准确率提升4.5％,达到92％,检测速度提升55％,达到31 frame/s,网络参数量减少50％.所设计的newMoGaA-RetinaNet算法可以实现密封圈表面缺陷的快速准确检测.