在线播放国产一区二区三区,99草在线,99久久精品免费视频

基于改進Faster R-CNN的面板缺陷檢測算法

2022年電子技術應用第1期

陳婉琴1，唐清善1，黃濤2

1.長沙理工大學物理與電子科學學院，湖南長沙410000；2.中國人民解放軍第3303工廠，湖北武漢430200

摘要： 針對面板表面缺陷檢測存在精度低、效率低等問題，提出了一種基于Faster R-CNN的優化缺陷檢測的算法。該方法通過在特征融合層添加不降維的局部自適應跨通道卷積，以增加通道交叉的特征映射；且在骨干特征提取網絡后加入CBAM注意力網絡，從而捕獲特征圖的長期特征依賴關系。并分析了缺陷數據集樣本寬高比的差異性，設定錨框生成大小，結合DIoU-NMS建議框篩選機制以提升先驗框與目標框的匹配率。實驗結果表明，優化后網絡模型的精確率與識別率均得到很大提升。

關鍵詞： 面板缺陷 FasterR-CNN 目標檢測 MobileNetv2

中圖分類號： TP301
文獻標識碼： A
DOI：10.16157/j.issn.0258-7998.211404
中文引用格式： 陳婉琴，唐清善，黃濤. 基于改進Faster R-CNN的面板缺陷檢測算法[J].電子技術應用，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

在金屬板材生產過程中，由于加工技術、溫度控制、雜物摻入^[1]等影響，金屬面板表面會產生各種缺陷，如劃痕、凸粉等。其不僅影響產品的美觀和舒適度，而且會在使用過程中留下潛在隱患。因此，表面缺陷檢測環節對于保障產品的質量非常重要。

人們在缺陷領域的探索分為基于傳統目標檢測^[2]和基于深度學習^[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種BP算法級聯SVM結合的分類器檢測方法來檢測金屬板材表面缺陷，該方法對缺陷特征要求辨識度高，對于與背景相似的缺陷無法得到有效處理。李蘭等人^[5]提出一種基于空洞卷積融合的SSD工件表面缺陷檢測方法，有效地對工件表面的剝落、碎屑、梨溝缺陷進行識別，但是其缺陷樣本是利用電子顯微鏡獲取，對缺陷樣本的分辨率要求很高。李維剛等人^[6]提出一種基于K-means聚類改進的YOLOv3算法對帶鋼表面缺陷進行檢測，較未改進之前在整體上提升檢測速度的和缺陷的檢測率，但是其使用的K-means對初始設置條件極其敏感，數據量不夠時無法保證其結果的有效性。王海云等人^[7]提出了一種利用FPN改進Mask R-CNN算法來檢測工業表面缺陷，雖然能夠準確地定位和識別缺陷，但是其利用多尺度特征映射融合的方法增加了網絡復雜度，導致其訓練速度慢，識別耗時長。綜上所述，SSD算法^[8]及其變體的一階檢測器^[9]更省時，在目標檢測跟蹤方面更具備適用性，但論檢測性能而言，二階檢測器(如R-CNN^[10-11])及其變體等在公共的評價基準上取得的檢測精度更優。因此，本文提出了基于改進Faster RCNN算法的缺陷檢測方法，提高了檢測精度，并且具有良好的識別速率，適用性更強。

本文詳細內容請下載：http://www.shi-ke.cn/resource/share/2000003924。

作者信息：

陳婉琴1，唐清善1，黃濤2

(1.長沙理工大學物理與電子科學學院，湖南長沙410000；2.中國人民解放軍第3303工廠，湖北武漢430200)

原創聲明：此內容為AET網站原創，未經授權禁止轉載。

相關內容