【技术实现步骤摘要】
一种基于改进Faster R
‑
CNN算法的金属板材表面缺陷检测方法
[0001]本专利技术涉及计算机视觉目标检测
,具体涉及一种基于改进Faster R
‑
CNN算法的金属板材表面缺陷检测方法。
技术介绍
[0002]金属板材在工业生产和日常生活中用途广泛,涉及多个应用领域,如建筑、航空航天、机械、汽车、船舶等领域,是很多产品的基础材料。但在实际的生产过程中,由于受到工艺流程、生产设备和现场环境等因素的影响,不可避免地会出现各种各样的表面缺陷,如凹陷、裂纹、气泡、划痕等。这些缺陷会降低金属板材的质量和可靠性,甚至对金属板材的使用造成安全隐患。因此,及时准确地检测和识别金属板材表面的缺陷是非常重要的。
[0003]传统的金属板材表面缺陷检测方法主要依靠人工检测或基于一些简单的图像处理算法来进行,这些方法存在一定的缺陷。依靠人工检测会受到人的主观因素的影响,判断结果可能存在误差。传统的简单图像处理算法通常需要依赖于先验知识或特定场景的假设,这些方法在实际应用中的适用范围有限。并且传统方法无法处理复杂的表面缺陷,并且在检测速度、精度和可靠性等方面也存在较大的提升空间。
[0004]近年来,随着计算机技术与深度学习方法的迅速发展,基于卷积神经网络(CNN)的目标检测算法在精度与速度上取得了重大突破,开启了基于CNN的目标检测热潮,并在工业生产中得到广泛应用。基于CNN的目标检测流程大致为先提取图像的特征,再利用卷积神经网络进行目标的识别及定位。但由于真实的工业生产环 ...
【技术保护点】
【技术特征摘要】
1.一种基于改进FasterR
‑
CNN算法的金属板材表面缺陷检测方法,其特征在于,包括以下步骤:S1:获取金属板材表面缺陷图像样本,并对其进行数据预处理;S2:基于FasterR
‑
CNN目标检测模型,选取性能较优的骨干网络作为模型的特征提取网络;S3:优化特征提取网络。基于已有的特征提取网络,融合特征金字塔网络FPN及可变形卷积网络DCNv2;S4:候选框精准定位。采用RoIAlign池化替换原有的RoIPooling,并采用K
‑
means++算法改进锚点生成方案,降低候选框定位误差;S5:模型训练;S6:用训练好的模型对测试样本进行预测,输出金属板材表面缺陷的类别及对应的精度。2.根据权利要求1所述的一种基于改进FasterR
‑
CNN算法的金属板材表面缺陷检测方法,其特征在于,所述步骤S1中,首先从NEU
‑
DET数据集中获取金属板材表面缺陷图像样本,并将数据集的样本规格化为200*200大小;其次将部分图像样本进行水平垂直翻转以扩充数据;然后将扩充得到的图片和xml文件存放在对应的文件夹下;最后将数据集按照8:2的比例划分为训练集和验证集,生成对应的train.txt和val.txt。3.根据权利要求1所述的一种基于改进FasterR
‑
CNN算法的金属板材表面缺陷检测方法,其特征在于,所述步骤S2中,选取训练效果较好且被广泛应用的的残差网络ResNet50作为FasterR
‑
CNN目标检测模型中的特征提取网络,替代模型中原有的特征提取网络VGG16。4.根据权利要求1所述的一种基于改进FasterR
‑
CNN算法的金属板材表面缺陷检测方法,其特征在于,所述步骤S3中,融合特征金字塔网络FPN及可变形卷积网络DCNv2优化特征提取网络。5.根据权利要求4所述的一种基于改进FasterR
‑
CNN算法的金属板材表面缺陷检测方法,其特征在于,所述融合特征金字塔网络FPN,首先通过ResNet50获得不同层上的特征图C1
‑
C5,然后对顶层特征图进行1
×
1卷积得到特征图M5,将卷积后的C4与采样后的M5相加得到M4。以此类推,生成特征图M3和M2。M2
‑
M4融合了不同特征层的特征信息,在保留细节的同时实现了高层语义。最后,对M2
‑
M5进行3*3卷积以...
【专利技术属性】
技术研发人员:孔思曼,孙践知,王家华,李林,
申请(专利权)人:北京工商大学,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。