文献类型：期刊文章

作　　者：杨莉[1] 张亚楠[1] 王婷婷[1] 刘添翼[1]

YANG Li;ZHANG Yanan;WANG Tingting;LIU Tianyi(College of Electrical Engineering and Information,Northeast Petroleum University,Daqing 163318,China)

机构地区：[1]东北石油大学电气信息工程学院,黑龙江大庆163318

出　　处：《吉林大学学报（信息科学版）》

基　　金：国家自然科学基金资助项目(51404073);黑龙江省自然科学(青年)基金资助项目(QC2017043);中国博士后科学基金资助项目(2018M630335);黑龙江省博士后面上(一等)基金资助项目(LBH-Z19008);2017年度东北石油大学国家基金培育基金(自然科学类)青年重点基金资助项目(2017PYQZL-15);东北石油大学省杰青后备人才基金资助项目(SJQH202002)。

年　　份：2021

卷　　号：39

期　　号：4

起止页码：409-415

语　　种：中文

收录情况：CAS、IC、JST、RCCSE、ZGKJHX、普通刊

摘　　要：针对传统Faster R-CNN(Region-Convolutional Neural Networks)检测钢材表面小目标性缺陷性能差的问题,提出了一种基于改进Faster R-CNN的钢材表面缺陷检测方法。首先引入导向锚点候选区域网络(GA-RPN:Guided Anchoring Region Proposal Network)预测锚点的位置和形状,设计可调节机制解决网络锚点形状偏移量超出感兴趣区域的问题,从而解决无关特征的影响;其次,提出多任务FPN(Feature Pyramid Network)结构缩短高层特征定位信息映射路径,并能解决相邻层特征融合再采样的不充分特征融合,提高小目标检测性能。将改进的Faster R-CNN算法应用于钢材表面缺陷检测。仿真结果表明,改进的网络其召回率与准确率都得到提高,具有更好的检测性能。

关 键 词：钢材表面缺陷  神经网络 小目标检测 特征融合  

分 类 号：TP273]