《電子技術(shù)應(yīng)用》
您所在的位置：首頁(yè) > 其他 > 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。
中圖分類號(hào)： TP301
文獻(xiàn)標(biāo)識(shí)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(jìn)Faster R-CNN的面板缺陷檢測(cè)算法[J].電子技術(shù)應(yīng)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(chǎn)過程中，由于加工技術(shù)、溫度控制、雜物摻入[1]等影響，金屬面板表面會(huì)產(chǎn)生各種缺陷，如劃痕、凸粉等。其不僅影響產(chǎn)品的美觀和舒適度，而且會(huì)在使用過程中留下潛在隱患。因此，表面缺陷檢測(cè)環(huán)節(jié)對(duì)于保障產(chǎn)品的質(zhì)量非常重要。

    人們?cè)谌毕蓊I(lǐng)域的探索分為基于傳統(tǒng)目標(biāo)檢測(cè)[2]和基于深度學(xué)習(xí)[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(jí)聯(lián)SVM結(jié)合的分類器檢測(cè)方法來檢測(cè)金屬板材表面缺陷，該方法對(duì)缺陷特征要求辨識(shí)度高，對(duì)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(cè)方法，有效地對(duì)工件表面的剝落、碎屑、梨溝缺陷進(jìn)行識(shí)別，但是其缺陷樣本是利用電子顯微鏡獲取，對(duì)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(jìn)的YOLOv3算法對(duì)帶鋼表面缺陷進(jìn)行檢測(cè)，較未改進(jìn)之前在整體上提升檢測(cè)速度的和缺陷的檢測(cè)率，但是其使用的K-means對(duì)初始設(shè)置條件極其敏感，數(shù)據(jù)量不夠時(shí)無法保證其結(jié)果的有效性。王海云等人[7]提出了一種利用FPN改進(jìn)Mask R-CNN算法來檢測(cè)工業(yè)表面缺陷，雖然能夠準(zhǔn)確地定位和識(shí)別缺陷，但是其利用多尺度特征映射融合的方法增加了網(wǎng)絡(luò)復(fù)雜度，導(dǎo)致其訓(xùn)練速度慢，識(shí)別耗時(shí)長(zhǎng)。綜上所述，SSD算法[8]及其變體的一階檢測(cè)器[9]更省時(shí)，在目標(biāo)檢測(cè)跟蹤方面更具備適用性，但論檢測(cè)性能而言，二階檢測(cè)器(如R-CNN[10-11])及其變體等在公共的評(píng)價(jià)基準(zhǔn)上取得的檢測(cè)精度更優(yōu)。因此，本文提出了基于改進(jìn)Faster RCNN算法的缺陷檢測(cè)方法，提高了檢測(cè)精度，并且具有良好的識(shí)別速率，適用性更強(qiáng)。




本文詳細(xì)內(nèi)容請(qǐng)下載：http://www.ihrv.cn/resource/share/2000003924。




作者信息：

陳婉琴1，唐清善1，黃  濤2

(1.長(zhǎng)沙理工大學(xué) 物理與電子科學(xué)學(xué)院，湖南 長(zhǎng)沙410000；2.中國(guó)人民解放軍第3303工廠，湖北 武漢430200)




wd.jpg

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。

相關(guān)內(nèi)容