基于改进深度学习模型的焊缝缺陷检测算法

发布时间：2021-04-25 23:15

　　针对传统深度学习模型在进行焊缝缺陷检测时对小缺陷目标检测效果不理想问题,提出基于改进深度学习Faster RCNN模型的焊缝缺陷检测算法,算法通过多层特征网络提取多尺度特征图并共同作用于模型后续环节,以充分利用模型中的低层特征,增加细节信息;改进模型的区域生成网络,加入多种滑动窗口,从而优化了模型锚点的长宽比设置,提高检测能力。实验表明,改进Faster RCNN模型取得最优的缺陷检测结果,对于小缺陷目标仍取得较好的检测精度,从而验证了算法的有效性。 

【文章来源】：宇航计测技术. 2020,40(03)CSCD

【文章页数】：6 页

【文章目录】：
1 引言
2 改进Faster RCNN模型缺陷检测
3 改进Faster RCNN模型的实验分析
    3.1 数据集及网络训练
    3.2 实验评估指标
    3.3 实验结果及分析
4 结束语


【参考文献】：
期刊论文
[1]基于超声红外热成像的缺陷检测与定位研究[J]. 米浩,杨明,于磊,安大伟,赵夙,金家欣,雷华明.  振动.测试与诊断. 2020(01)
[2]基于改进SSD的电力设备红外图像异常自动检测方法[J]. 王旭红,李浩,樊绍胜,蒋志鹏.  电工技术学报. 2020(S1)
[3]基于轮廓特征及灰度相似度匹配的接触网绝缘子缺陷检测（英文）[J]. Ping TAN,Xu-feng LI,Jin-mei XU,Ji-en MA,Fei-jie WANG,Jin DING,You-tong FANG,Yong NING.  Journal of Zhejiang University-Science A（Applied Physics & Engineering）. 2020(01)
[4]基于Faster R-卷积神经网络的金属点阵结构缺陷识别方法[J]. 张玉燕,李永保,温银堂,张芝威.  兵工学报. 2019(11)
[5]基于卷积神经网络快速区域标定的表面缺陷检测[J]. 李宜汀,谢庆生,黄海松,姚立国,魏琴.  计算机集成制造系统. 2019(08)
[6]基于X射线图像的焊接接头缺陷提取和识别方法综述[J]. 李晔,吴志生,李砚峰,朱彦军.  热加工工艺. 2018(19)
[7]输电线路绝缘子自爆缺陷识别方法[J]. 侯春萍,章衡光,张巍,杨阳,张贵峰,田治仁.  电力系统及其自动化学报. 2019(06)
[8]基于X射线图像和卷积神经网络的石油钢管焊缝缺陷检测与识别[J]. 刘涵,郭润元.  仪器仪表学报. 2018(04)



本文编号：3160265