改进Faster R-CNN对铝型材表面瑕疵的检测

• 作者: 郝用兴 李泽坤 张太萍 杨嘉佳
• 来源期刊: 工具技术
• 关键词: Faster R-CNN 铝型材 深度学习 目标检测 卷积神经网络 K-Means
• 年，卷（期）: 2021,（3）
• 所属期刊栏目: 测试与仪器
• 页码范围: 76-80
• 页数: 5页
• 分类号: TG146.2|H|TH164|TP29
• 语种: 中文
• DOI: 10.3969/j.issn.1000-7008.2021.03.015

摘要

针对铝型材表面瑕疵检测问题,为避免传统检测方法准确率低和检测速度慢等缺点,采用基于深度学习的检测方法,通过对Faster R-CNN模型的改进,提高了检测的准确率和速度.在特征提取网络中,将VGG16和Resnet50进行模型融合,从而提取到更多的特征信息.针对样本中瑕疵大小分布极不均匀的问题,通过对RPN网络中的锚框进行改进,利用K-Means聚类生成的5个聚类中心代替原始网络中的9个锚点框,使网络更适用于铝型材表面的瑕疵检测.实验表明:改进后的Faster R-CNN算法的检测平均准确度可达83.44％,比改进前算法高6.5％.说明改进后的算法在铝型材表面瑕疵的检测上更具优势,并为之后金属表面瑕疵检测提供了参考.