《电子技术应用》
您所在的位置:首页 > 模拟设计 > 设计应用 > 基于改进Faster R-CNN的面板缺陷检测算法
基于改进Faster R-CNN的面板缺陷检测算法
2022年电子技术应用第1期
陈婉琴1,唐清善1,黄 涛2
1.长沙理工大学 物理与电子科学学院,湖南 长沙410000;2.中国人民解放军第3303工厂,湖北 武汉430200
摘要: 针对面板表面缺陷检测存在精度低、效率低等问题,提出了一种基于Faster R-CNN的优化缺陷检测的算法。该方法通过在特征融合层添加不降维的局部自适应跨通道卷积,以增加通道交叉的特征映射;且在骨干特征提取网络后加入CBAM注意力网络,从而捕获特征图的长期特征依赖关系。并分析了缺陷数据集样本宽高比的差异性,设定锚框生成大小,结合DIoU-NMS建议框筛选机制以提升先验框与目标框的匹配率。实验结果表明,优化后网络模型的精确率与识别率均得到很大提升。
中图分类号: TP301
文献标识码: A
DOI:10.16157/j.issn.0258-7998.211404
中文引用格式: 陈婉琴,唐清善,黄涛. 基于改进Faster R-CNN的面板缺陷检测算法[J].电子技术应用,2022,48(1):133-137.
英文引用格式: Chen Wanqin,Tang Qingshan,Huang Tao. Panel defect detection algorithm based on improved Faster R-CNN[J]. Application of Electronic Technique,2022,48(1):133-137.
Panel defect detection algorithm based on improved Faster R-CNN
Chen Wanqin1,Tang Qingshan1,Huang Tao2
1.School of Physics and Electronic Science,Changsha University of Science and Technology,Changsha 410000,China; 2.No.3303 Factory of PLA,Wuhan 430200,China
Abstract: In view of the low precision and low efficiency of panel surface defect detection, this paper proposes an optimized defect detection algorithm based on Faster R-CNN. This method adds local adaptive cross-channel convolution without dimensionality reduction in the feature fusion layer to increase the feature mapping of channel crossing,and adds the CBAM attention network after the backbone feature extraction network to capture the long-term feature dependency of the feature map . It also analyzes the difference in the aspect ratio of the defect data set, sets the generation size of the aiming window, and combines the DIoU-NMS suggestion frame screening mechanism to improve the matching rate of the prior frame and the target frame. Experimental results show that the accuracy and recognition rate of the optimized network model have been greatly improved.
Key words : panel defect;Faster R-CNN;target detection;MobileNetv2

0 引言

    在金属板材生产过程中,由于加工技术、温度控制、杂物掺入[1]等影响,金属面板表面会产生各种缺陷,如划痕、凸粉等。其不仅影响产品的美观和舒适度,而且会在使用过程中留下潜在隐患。因此,表面缺陷检测环节对于保障产品的质量非常重要。

    人们在缺陷领域的探索分为基于传统目标检测[2]和基于深度学习[3]的方法。周神特等人[4]利用SIFT算子提取缺陷特征向量后提出了一种BP算法级联SVM结合的分类器检测方法来检测金属板材表面缺陷,该方法对缺陷特征要求辨识度高,对于与背景相似的缺陷无法得到有效处理。李兰等人[5]提出一种基于空洞卷积融合的SSD工件表面缺陷检测方法,有效地对工件表面的剥落、碎屑、梨沟缺陷进行识别,但是其缺陷样本是利用电子显微镜获取,对缺陷样本的分辨率要求很高。李维刚等人[6]提出一种基于K-means聚类改进的YOLOv3算法对带钢表面缺陷进行检测,较未改进之前在整体上提升检测速度的和缺陷的检测率,但是其使用的K-means对初始设置条件极其敏感,数据量不够时无法保证其结果的有效性。王海云等人[7]提出了一种利用FPN改进Mask R-CNN算法来检测工业表面缺陷,虽然能够准确地定位和识别缺陷,但是其利用多尺度特征映射融合的方法增加了网络复杂度,导致其训练速度慢,识别耗时长。综上所述,SSD算法[8]及其变体的一阶检测器[9]更省时,在目标检测跟踪方面更具备适用性,但论检测性能而言,二阶检测器(如R-CNN[10-11])及其变体等在公共的评价基准上取得的检测精度更优。因此,本文提出了基于改进Faster RCNN算法的缺陷检测方法,提高了检测精度,并且具有良好的识别速率,适用性更强。




本文详细内容请下载:。




作者信息:

陈婉琴1,唐清善1,黄  涛2

(1.长沙理工大学 物理与电子科学学院,湖南 长沙410000;2.中国人民解放军第3303工厂,湖北 武汉430200)




wd.jpg

此内容为AET网站原创,未经授权禁止转载。
久久精品免费影视 <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <蜘蛛词>| <文本链> <文本链> <文本链> <文本链> <文本链> <文本链>