文献类型：期刊文章

作　　者：彭煜[1] 肖书浩[2] 阮金华[1] 汤勃[1]

PENG Yu;XIAO Shu-hao;RUAN Jin-hua;TANG Bo(School of Mechanical and Automation Engineering,Wuhan University of Science and Technology Key Laboratory of Metallurgical Equipment and Its Control,Ministry of Education,Wuhan 430081,China;Institute of Mechatronics and Automation,Wuchang Shouyi University,Wuhan 430064,China)

机构地区：[1]武汉科技大学机械自动化学院冶金装备及其控制教育部重点实验室,武汉430081 [2]武昌首义学院机电与自动化学院,武汉430064

出　　处：《组合机床与自动化加工技术》

基　　金：国家自然科学基金项目(51874217)。

年　　份：2020

期　　号：3

起止页码：91-94

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、INSPEC、RCCSE、ZGKJHX、核心刊

摘　　要：为了克服刨花板表面缺陷人工目视检测的局限性,实现对多种缺陷准确、实时检测,提出一种基于Faster R-CNN的检测方法。运用从工厂生产现场获取的各种表面缺陷图,制作成一个包含3566张刨花板表面缺陷图像数据集,其中主要包括胶块、水印、砂痕、杂物、粗刨花5种缺陷类型。通过用该数据集对Faster R-CNN在ZF、VGG16和ResNet101不同特征提取网络下的不同锚点(Anchor)设置模型分别进行训练、验证和测试,并对比了不同参数对检测精度的影响。结果显示,该方法能有效检测刨花板表面缺陷,且模型在ResNet101作为特征提取网络时准确率最高。在对训练好的Faster R-CNN模型的鲁棒性进行评估和验证中,模型对122张新图像的5种缺陷类型进行检测,测试的5种缺陷类型识别率分别为92.31%、91.84%、90.57%、96.88%和95.24%,平均检测率为93.37%,测试结果表明该方法能为基于机器视觉刨花板表面缺陷检测系统提供良好支撑。

关 键 词：FASTER R-CNN  卷积神经网络 刨花板表面缺陷  深度学习  

分 类 号：TH165] TG506]