文献类型：期刊文章

作　　者：向宽[1] 李松松[1] 栾明慧[1] 杨莹[1] 何慧敏[1]

Xiang Kuan;Li Songsong;Luan Minghui;Yang Ying;He Huimin(School of Information Engineering,Dalian Ocean University,Dalian 116023,China)

机构地区：[1]大连海洋大学信息工程学院,大连116023

出　　处：《仪器仪表学报》

基　　金：国家自然科学基金(51778104);辽宁省渔业厅资助项目(201723)资助。

年　　份：2021

卷　　号：42

期　　号：1

起止页码：191-198

语　　种：中文

收录情况：BDHX、BDHX2020、CAS、CSCD、CSCD2021_2022、EAPJ2020、EI、IC、JST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：针对传统检测算法对工业铝材表面缺陷识别率不高、对于小缺陷定位不准确等问题,提出改进的Faster RCNN深度学习网络对于铝材表面10种缺陷进行检测。首先,对数据进行增强后,在主干网络加入特征金字塔网络(FPN)结构以加强对小缺陷的特征提取能力,随后用感兴趣区域校准(ROI Align)算法来代替粗糙的感兴趣区域池化(ROI Pooling)算法,获得更准确的缺陷定位信息,最后加入K-means算法对缺陷数据进行聚类,得出更适应铝材缺陷的锚框。实验表明,改进后的网络对铝材表面缺陷检测的平均精度均值(mAP50)为91.20%,比原始的Faster RCNN网络提高了16%,并且对铝材小缺陷的检测能力也得到明显的提高。

关 键 词：铝材检测  深度学习  Faster RCNN  特征金字塔网络  感兴趣区域校准  K-MEANS

分 类 号：TP391.4] TH16[计算机类]