基于特征金字塔的多尺度金属表面缺陷检测

发布时间：2021-06-11 05:13

　　针对金属表面缺陷检测效率不高的问题,提出一种基于特征金字塔的多尺度缺陷检测方法（MSDD）。首先,构建特征金字塔分类网络模型（FPCN）作为特征提取器并进行分类预训练;其次,在FPCN后连接多尺度回归层并进行微调;最后,利用非极大值抑制将MSDD输出的4165个边框进行筛选得出最终检测结果。在光度立体成像数据集上进行实验,实验结果为该算法在个别类平均精确率（AP）达98%,各类别AP均值（mAP）达90%,召回率Recall平均为88.5%,单张图片检测用时约为13ms。这表明相比于现有多尺度算法SSD和YOLOv3,该算法对缺陷目标特征提取更加精确,同时提高了鲁棒性和检测速度。 

【文章来源】：组合机床与自动化加工技术. 2020,(08)北大核心

【文章页数】：4 页

【部分图文】：

卷积神经网络

拼接技术可以使得不同维度但是具有相同尺寸的卷积层串联起来,得到新的卷积层。拼接得到的卷积层具有更多特征细节,文献[18]已经证实拼接技术可以提高分类性能。如图2所示就是维数为64的卷积层C4和维数为64的卷积层C5的拼接。首先,将尺寸为7×7的卷积层C5进行2倍上采样,然后和卷积层C4进行拼接,得到维数为128的特征层F2,其尺寸为14×14。如图3所示,基于特征金字塔的分类网络模型FPCN就是利用一系列卷积层、拼接技术、上采样技术和SoftMax构建出来的网络模型。如表1所示,这个模型最终会输出4个特征层,分别为F1、F2、F3和F4。每层卷积层的激活函数为ReLU函数。

如图3所示,基于特征金字塔的分类网络模型FPCN就是利用一系列卷积层、拼接技术、上采样技术和SoftMax构建出来的网络模型。如表1所示,这个模型最终会输出4个特征层,分别为F1、F2、F3和F4。每层卷积层的激活函数为ReLU函数。表1 FPCN详细参数 名称 操作 卷积核数 尺寸/步长 输出尺寸 C1 Conv 64 3×3/2 112×112 C2 Conv 64 3×3/2 56×56 C3 Conv 64 3×3/2 28×28 C4 Conv 64 3×3/2 14×14 C5 Conv 64 3×3/2 7×7 F1 Conv 64 3×3/1 7×7 F2 Conca 128 14×14 F3 Conca 192 28×28 F4 Conca 256 56×56

【参考文献】：
期刊论文
[1]基于SSD算法的输电线路上绝缘子缺陷检测方法研究[J]. 李伟性,郑武略,王宁,赵航航.  仪器仪表用户. 2019(08)
[2]基于深度学习的点胶缺陷检测[J]. 查广丰,胡泓.  电子技术与软件工程. 2019(13)
[3]基于优化卷积神经网络的表面缺陷检测[J]. 姚明海,袁惠.  高技术通讯. 2019(06)
[4]基于改进SSD的高效目标检测方法[J]. 王文光,李强,林茂松,贺贤珍.  计算机工程与应用. 2019(13)
[5]Attention-YOLO:引入注意力机制的YOLO检测算法[J]. 徐诚极,王晓峰,杨亚东.  计算机工程与应用. 2019(06)
[6]基于改进的R-FCN带纹理透明塑料裂痕检测[J]. 关日钊,陈新度,吴磊,徐焯基.  计算机工程与应用. 2019(06)

硕士论文
[1]基于深度学习的涂布缺陷检测技术研究[D]. 李自明.西安理工大学 2019
[2]基于卷积神经网络的微小零件表面缺陷检测技术研究[D]. 刘聪.哈尔滨理工大学 2019



本文编号：3223884