文献类型：期刊文章

作　　者：代小红[1] 陈华江[3] 朱超平[2]

DAI Xiao-hong;CHEN Hua-jiang;ZHU Chao-ping(Chongqing Key Laboratory of E-commerce and Supply Chain System,Chongqing Technology and Business University Chongqing 400067,China;School of Artificial Intelligence,Chongqing Technology and Business University Chongqing 400067,China;School of Mechanical and Power Engineering,Chongqing University of Science and Technology,Chongqing 401331,China)

机构地区：[1]重庆工商大学电子商务及供应链系统重庆市重点实验室,重庆400067 [2]重庆工商大学人工智能学院,重庆400067 [3]重庆科技学院机械与动力工程学院,重庆401331

出　　处：《表面技术》

基　　金：教育部科技发展中心产学研创新基金项目(2018A02049);重庆市教育科学规划项目(2018-GX-348)。

年　　份：2020

卷　　号：49

期　　号：10

起止页码：362-371

语　　种：中文

收录情况：BDHX、BDHX2017、CAS、CSCD、CSCD2019_2020、EI、JST、RCCSE、ZGKJHX、核心刊

摘　　要：目的针对传统检测算法在工件表面缺陷检测上的局限性,以及检测精度不高、准确率较低、检测过程繁琐等问题,提出了一种基于改进RCNN的金属材料工件表面缺陷检测算法。方法图像预处理过程中,运用了图像缺陷定位标注与图像数据的增强处理的方法。模型训练时为了避免某些分类数据不足,防止因数据集过小导致系统测试模型出现过拟合现象,使用了对原图像进行数据扩增处理。检测网络模型设计时,采用非极大值抑制算法对缺陷图像进行候选区域筛选,构建了区域建议网络,实现网络多层特征的复用和融合,在减少候选区域冗余的基础上提高系统的检测精度。引入多级ROI池化层结构设计算法,消除ROI池化取整而产生的系统偏差,实现高效并准确检测零件表面缺陷的目的。基于ROI-Align算法的原图位置坐标改进,利用双线性插值法获得原图的位置坐标,克服了基于最近邻插值法的ROI-Pooling设计算法带来的像素位置偏移和检测不匹配(misalignment)的问题。结果设计的检测方法在测试集上,金属材料工件表面目标缺陷检测速度达22帧/s,准确率达97.36%,召回率达95.62%。结论与传统的工件表面检测方法相比,改进的FasterRCNN方法对目标识别与定位处理具有较快的速度与较高的准确度,能在复杂场景条件下,提升工件表面缺陷的检测性能。

关 键 词：金属材料工件  表面缺陷识别  Faster RCNN  深度学习  目标检测

分 类 号：TH169] TP391.4]