文献类型：期刊文章

作　　者：魏智锋[1] 肖书浩[2] 蒋国璋[1] 伍世虔[1] 程国飞[3]

WEI Zhi-feng;XIAO Shu-hao;JIANG Guo-zhang;WU Shi-qian;CHENG Guo-fei(Key Laboratory of Metallurgical Equipment and Control of Ministry of Education,School of Mechanical Automation,Wuhan University of Science and Technology,Wuhan 430081,Hubei,P.R.China;School of Machinery and Automation,Wuchang Shouyi University,Wuhan 430068,Hubei,P.R.China;Zhongshan Torch Vocational and Technical College,Zhongshan 528436,Guangdong,P.R.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,湖北武汉430081 [2]武昌首义学院机械与自动化学院,湖北武汉430068 [3]中山火炬职业技术学院,广东中山528436

出　　处：《林产工业》

基　　金：基于机器视觉的人造板非平面缺陷检测(51874217);广东省普通高校青年创新人才类项目(2018GkQNCX049);中山市社会公益科技研究项目(2018B1113);国家自然科学基金(31670561)。

年　　份：2021

卷　　号：58

期　　号：2

起止页码：21-26

语　　种：中文

收录情况：BDHX、BDHX2020、CAB、JST、RCCSE、ZGKJHX、核心刊

摘　　要：缺陷识别是人造板检测的重要环节,目前大多采用人工检测方法。将一种轻量级的深层神经网络MobileNet与SSD算法结合,使用Inception网络附加到多个特征映射上,构建SSD-MobileNet算法模型用于人造板的缺陷检测,以提高区分不同缺陷的能力。从人造板工厂生产现场获取主要包括粗刨花、水印、砂痕、杂物、胶斑5种缺陷类型的表面缺陷图,制成一个包含3216张人造板表面缺陷图像的数据集。利用该数据集对SSD-MoblieNet模型进行训练、测试,并与其他特征提取网络(ResNet18、VoVNet39、ESPNetV2)的检测精度和检测速度的影响结果进行对比,发现其检测速度最快达到75帧/s,相对其他特征提取网络的平均精度均值提升2.26%~3.52%。该研究为实现人造板表面实时在线检测提供良好的技术支撑。

关 键 词：人造板 表面缺陷  SSD-MobileNet  卷积神经网络 深度学习  检测  

分 类 号：TS653[轻工类]