登录    注册    忘记密码

期刊文章详细信息

基于深度学习的型钢表面多形态微小缺陷检测算法    

Surface detection algorithm of multi-shape small defects for section steel based on deep learning

  

文献类型:期刊文章

作  者:刘亚姣[1] 于海涛[1] 王江[1] 于利峰[2] 张春晖[2]

LIU Yajiao;YU Haitao;WANG Jiang;YU Lifeng;ZHANG Chunhui(School of Electrical and Information Engineering,Tianjin University,Tianjin 300072,China;Hebei Jinxi Iron and Steel Group Company Limited,Tangshan Hebei 064302,China)

机构地区:[1]天津大学电气自动化与信息工程学院,天津300072 [2]河北津西钢铁集团股份有限公司,河北唐山064302

出  处:《计算机应用》

基  金:天津市自然科学基金资助项目(19JCYBJC18800)。

年  份:2022

卷  号:42

期  号:8

起止页码:2601-2608

语  种:中文

收录情况:AJ、BDHX、BDHX2020、CSCD、CSCD_E2021_2022、IC、JST、RCCSE、ZGKJHX、ZMATH、核心刊

摘  要:为了解决由于型钢表面缺陷形态多样、微小缺陷众多所带来的检测效率低与检测精度差的问题,提出一种基于可变形卷积与多尺度−密集特征金字塔的型钢表面缺陷检测算法--Steel-YOLOv3。首先,使用可变形卷积代替Darknet53网络部分残差单元的卷积层,从而强化特征提取网络对型钢表面多类型缺陷的特征学习能力;其次,设计了多尺度−密集特征金字塔模块:在原有YOLOv3算法的3层预测尺度上增加1层更浅层的预测尺度,再对多尺度特征图进行跨层密集连接,从而增强对密集微小缺陷的表征能力;最后,针对型钢缺陷尺寸分布特点,使用K-means维度聚类方法优化先验框尺寸并将先验框平均分配到4个对应预测尺度上。实验结果表明:Steel-YOLOv3算法具有89.24%的检测平均精度均值(mAP),与Faster R-CNN(Faster Region-based Convolutional Neural Network)、SSD(Single Shot MultiBox Detector)、YOLOv3和YOLOv5算法相比分别提高了3.51%、26.46%、12.63%和5.71%,且所提算法显著提升了微小剥落缺陷的检出率。另外,所提算法的每秒检测图像数量达到25.62张,满足实时检测的要求,可实际应用于型钢表面缺陷的在线检测。

关 键 词:型钢 表面缺陷检测 多形态微小缺陷  深度学习  YOLOv3  

分 类 号:TP391.4]

参考文献:

正在载入数据...

二级参考文献:

正在载入数据...

耦合文献:

正在载入数据...

引证文献:

正在载入数据...

二级引证文献:

正在载入数据...

同被引文献:

正在载入数据...

版权所有©重庆科技学院 重庆维普资讯有限公司 渝B2-20050021-7
 渝公网安备 50019002500408号 违法和不良信息举报中心