-
题名基于FF R-CNN钢材表面缺陷检测算法
被引量：34
- 1
-
-
作者
韩强
张喆
续欣莹
谢新林
-
机构
太原理工大学电气与动力工程学院
太原科技大学先进控制与装备智能化山西省重点实验室
-
出处
《太原理工大学学报》
CAS
北大核心
2021年第5期754-763,共10页
-
基金
山西省自然科学基金资助项目(201801D121144,201901D211079)
先进控制与装备智能化山西省重点实验室开放课题基金资助(ACEI202101)。
-
文摘
针对深度学习算法检测钢材表面缺陷时,结构信息减少导致检测精度低的问题,提出一种特征融合和级联检测网络的Faster R-CNN钢材表面缺陷检测算法。首先利用主干网络提取特征图,通过融合特征图的方式,达到减少结构信息丢失的目的;进一步将生成的特征图输入RPN网络生成区域建议框;最后利用检测网络对区域建议框进行分类与回归,通过级联2个检测网络,实现精确检测结果的目标。对模型进行对比性实验分析,找出检测精度最优的算法模型。在NEU-DET数据集上对提出的算法进行了检验,主干网络采用VGG-16比采用Resnet-50的检测精度提高了2.40%;通过融合特征,检测精度提高了11.86%;通过检测网络的级联,检测精度提高了2.37%.通过对算法模型的不断改进和优化,检测精度达到了98.29%.与传统的钢材表面检测方法相比,改进算法能够更准确地检测出钢材表面缺陷的种类和位置,提升对钢材表面缺陷的检测精度。
-
关键词
钢材表面缺陷检测
深度学习
Faster
R-CNN
特征融合
级联检测网络
-
Keywords
surface defect detection of steel
deep learning
Faster R-CNN
feature fusion
cascade detection network
-
分类号
TP183
[自动化与计算机技术—控制理论与控制工程]
-
