科研之友
微信
新浪微博
Facebook
分享链接
摘要
在工业生产过程中，带钢表面产生的缺陷影响其质量和使用性能，需要对表面缺陷进行检测，为此提出了基于深度学习的缺陷检测模型Cascade RCNN。首先，对骨干网络进行改进，将标准卷积替换为可切换空洞卷积，在不增加参数量的情况下，增大输出单元的感受野。其次，改变特征金字塔FPN,结构不变的情况下添加了自上而下的连接方式，同时使用特征上采样算子CARAFE替换最邻近上采样，提高了上采样精度和定位精度。最后，将损失函数换为Focal Loss,解决目标检测过程中正负样本不平衡问题。结果显示：通过以上方法的改进，检测精度有大幅提升，平均均值精度提高了7.61%,达到77.82%,各类缺陷的检测精度都得到了提高；与其他检测模型对比，模型的检测能力得到了提高，采用的改进方法有一定的应用价值。
- 出版日期2023
- 单位大连理工大学
