改进Faster R-CNN对铝型材表面瑕疵的检测

作者：郝用兴; 李泽坤; 张太萍; 杨嘉佳

来源：工具技术, 2021, 55(03): 76-80.

• Faster R-CNN
• 铝型材
• 深度学习
• 目标检测
• 卷积神经网络
• K-Means

针对铝型材表面瑕疵检测问题,为避免传统检测方法准确率低和检测速度慢等缺点,采用基于深度学习的检测方法,通过对Faster R-CNN模型的改进,提高了检测的准确率和速度。在特征提取网络中,将VGG16和Resnet50进行模型融合,从而提取到更多的特征信息。针对样本中瑕疵大小分布极不均匀的问题,通过对RPN网络中的锚框进行改进,利用K-Means聚类生成的5个聚类中心代替原始网络中的9个锚点框,使网络更适用于铝型材表面的瑕疵检测。实验表明:改进后的Faster R-CNN算法的检测平均准确度可达83.44%,比改进前算法高6.5%。说明改进后的算法在铝型材表面瑕疵的检测上更具优势,并为之后金属表面瑕疵检测提供了参考。

• 出版日期2021
• 单位华北水利水电大学