-
题名基于深度学习的型钢表面多形态微小缺陷检测算法
被引量：8
- 1
-
-
作者
刘亚姣
于海涛
王江
于利峰
张春晖
-
机构
天津大学电气自动化与信息工程学院
河北津西钢铁集团股份有限公司
-
出处
《计算机应用》
CSCD
北大核心
2022年第8期2601-2608,共8页
-
基金
天津市自然科学基金资助项目(19JCYBJC18800)。
-
文摘
为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度−密集特征金字塔的型钢表面缺陷检测算法--Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度−密集特征金字塔模块:在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明:Steel-YOLOv3算法具有89.24%的检测平均精度均值(mAP),与Faster R-CNN(Faster Region-based Convolutional Neural Network)、SSD(Single Shot MultiBox Detector)、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。
-
关键词
型钢
表面缺陷检测
多形态微小缺陷
深度学习
YOLOv3
-
Keywords
section steel
surface defect detection
multi-shape small defect
deep learning
You Only Look Once v3(YOLOv3)
-
分类号
TP391.4
[自动化与计算机技术—计算机应用技术]
-
