深度学习如何提升缺陷检测效果?
为了提升缺陷检测效果,将深度学 习引入表面缺陷视觉检测成为当下机器视觉领域的研究热点之一。 本文研究基于深度学习的一般性表面缺陷检测算法,着重解决表面缺陷检测中的 两类问题,即定性判别缺陷有无的缺陷识别问题和定量分析缺陷的缺陷分割问题,并 在自建的纽扣缺陷数据集和另外三个公开数据集上进行算法评估。 针对缺陷识别问题,本文研究一种基于全卷积分块检测的缺陷识别算法。 该算法 将分块检测的思想引入ResNet 全卷积神经网络中,在实现局部判别机制的同时,克服 了传统分块检测感受野不足的弊端。 相比于原始ResNet 图像分类算法,该算法具有更 强的泛化能力和对微小缺陷的检测能力。 在纽扣、焊缝和硅钢带的缺陷识别任务中, 算法综合检测准确率提高了1.13%~8.27%。
基于深度学习的缺陷检测网络有哪些?
目前, 基于深度学习的目标检测方法层出不穷, 一般来说, 基于深度学习的缺陷检测网络从 结构上可以划分为: 以Faster R-CNN [43]为代表的两阶段 (two stage)网络和以SSD [44]或YOLO [45]为代表的一阶段 (one stage)网络.
什么是缺陷检测?
缺陷检测是工业 上非常重要的一个应用,由于缺陷多种多样,传统的机器视觉算法很难做到对缺陷特征完整的建模和迁移,复用性不大,要求区分工况,这会浪费大量的人力成本。深度学习在特征提取和定位上取得了非常好的效果,越来越多的 ...