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.
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:http://www.chinaaet.com/resource/share/2000003924。
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)