基于改进SSD模型的工件表面缺陷识别算法

发布时间：2021-04-15 08:36

　　工件表面缺陷是影响机械设备性能的重要因素,快速高效的检测方法是目前研究的重点。为了解决工件表面缺陷检测问题,提出一种基于改进SSD模型的检测算法。该算法用本文提出的DH-MobileNet网络代替SSD结构中的VGG16网络,从而简化检测模型,减少了运算量。同时采用反向残差结构进行位置预测,并用空洞卷积代替下采样操作以避免信息损失。利用扫描电子显微镜得到工件表面图像,建立工件表面缺陷数据集并进行扩充,最后针对碎屑、剥落和梨沟这3类高频缺陷进行训练和测试,并与YOLO、Faster R-CNN和原始SSD模型进行效果比较。检测结果表明该算法能够更准确、快速地检测工件表面缺陷,为实际工业场景中的缺陷检测提供了新的思路。 

【文章来源】：计算机工程与科学. 2020,42(09)北大核心CSCD

【文章页数】：8 页

【部分图文】：

SSD网络模型结构图

图1 SSD网络模型结构图每个默认框预测B类目标和4个位置参数，本文实验B设置为3，因为在工件表面中有3种典型的缺陷，每个特征图的默认框的计算如式（1）所示：

MobileNet是Howard等人[21]提出的一种轻量级卷积神经网络，基本单元为深度可分离卷积，训练时所需参数较少，能够节省时间并且可以实现移动设备的部署。MobileNet网络模型的结构如图4所示。图4为MobileNet的网络结构图，其中ConvDw-Pw是一种深度可分离的卷积结构。由深度卷积Dw(Depth-wise）和点卷积Pw(Point-wise)2部分构成。Dw由3×3的深度卷积核构成，Pw由1×1的点卷积核构成。BN(Batch Normalization）代表批处理规范化，ReLU6表示激活函数。

【参考文献】：
期刊论文
[1]基于深度学习的目标检测框架进展研究[J]. 寇大磊,权冀川,张仲伟.  计算机工程与应用. 2019(11)
[2]基于改进SSD的果园行人实时检测方法[J]. 刘慧,张礼帅,沈跃,张健,吴边.  农业机械学报. 2019(04)
[3]基于形状轮廓特征的金字塔匹配算法[J]. 王江辉,吴小俊.  计算机工程与应用. 2019(01)
[4]基于CNN的工件缺陷检测方法研究[J]. 乔丽,赵尔敦,刘俊杰,程彬.  计算机科学. 2017(S2)
[5]基于堆叠降噪自动编码器的胶囊缺陷检测方法[J]. 王宪保,何文秀,王辛刚,姚明海,钱沄涛.  计算机科学. 2016(02)
[6]工件表面微小缺陷的检测与识别方法[J]. 赵君爱,贾民平.  东南大学学报(自然科学版). 2014(04)
[7]基于深度学习的太阳能电池片表面缺陷检测方法[J]. 王宪保,李洁,姚明海,何文秀,钱沄涛.  模式识别与人工智能. 2014(06)



本文编号：3139000