基于Faster-RCNN的钢带缺陷检测方法

• 作者: 寇旭鹏 刘帅君 麻之润
• 来源期刊: 中国冶金
• 关键词: 人工智能 缺陷检测 迁移学习 聚类 卷积神经网络
• 年，卷（期）: 2021,（4）
• 所属期刊栏目: 生产技术|Production Technology
• 页码范围: 77-83
• 页数: 7页
• 语种: 中文
• DOI: 10.13228/j.boyuan.issn1006-9356.20200506

摘要

目前实际工业生产中的钢带缺陷检测任务存在数据难以收集、缺陷识别效果较差等问题,为此提出一种基于Faster-RCNN的钢带缺陷检测模型FRDNet.通过k-means聚类获得锚框参数,使生成框更符合目标缺陷类别比例,提高缺陷检测精度;同时利用模型迁移的方式微调网络结构,使钢带缺陷检测模型更快地适应目标缺陷任务.该方法有效解决了目标钢带表面缺陷数据较少的问题,增强了模型的泛化性.试验结果表明,该方法在GC10-DET钢带缺陷数据集上平均精确率均值mAP达67.6％,相较于原始模型提升了4.9％,检测速度为27.2FPS,满足检测任务的要求.