注意力级联网络的金属表面缺陷检测算法

被引：45

作者：

方钧婷 ^{[1
,2
,3
]}

谭晓阳 ^{[1
,2
,3
]}

机构：

[1] 南京航空航天大学计算机学院

[2] 模式分析与机器智能工业和信息化部重点实验室

[3] 软件新技术与产业化协同创新中心

来源：

计算机科学与探索 | 2021年 / 15卷 / 07期

关键词：

缺陷检测; 目标检测; 注意力机制; 深度学习; 卷积神经网络(CNN);

D O I：

暂无

中图分类号：

TP391.41 []; TG115.28 [无损探伤]; TP18 [人工智能理论];

学科分类号：

080606 [材料冶金]; 140502 [人工智能];

摘要：

金属表面缺陷检测是工业生产质量把控的重要一环。在复杂的工业场景中,传统的图像处理方法无法有效地检测缺陷区域,而人工检测既费时又费力。快速有效地检测金属表面缺陷已成为提高生产效率的关键。复杂的光照条件会使金属表面产生强反射和倒影,缺陷种类多样、边界模糊,给缺陷检测问题带来巨大的挑战。提出了一种基于注意力机制的级联网络缺陷检测算法(R-CNN),对金属表面缺陷进行高质量分类和定位。设计了一个轻量级的网络模块,该模块沿着空间和通道计算注意力,将其插入到卷积神经网络中可有效提高特征提取能力;为了提高检测精度,将两个IoU阈值递增的检测头部网络级联,使用前一个头部的输出作为下一个头部的输入,依次细化检测结果。在大量实验中探索影响性能的各种因素,与现有方法进行比较,该方法具有更高的精度和良好的鲁棒性,可实际应用于生产中。

引用

页码：1245 / 1254

页数：10

共 10 条

[1]

一种基于红外成像的强反射金属表面缺陷视觉检测方法 [J].

张学武 ;

丁燕琼 ;

闫萍 .

光学学报, 2011, 31 (03) :112-120

[2]

Vision-Based Surface Inspection System for Bearing Rollers Using Convolutional Neural Networks [J].

Wen, Shengping ;

Chen, Zhihong ;

Li, Chaoxian .

APPLIED SCIENCES-BASEL, 2018, 8 (12)

[3]

Research on a Surface Defect Detection Algorithm Based on MobileNet-SSD [J].

Li, Yiting ;

Huang, Haisong ;

Xie, Qingsheng ;

Yao, Liguo ;

Chen, Qipeng .

APPLIED SCIENCES-BASEL, 2018, 8 (09)

[4]

Feature selection for surface defect classification of extruded aluminum profiles.[J].Apostolos Chondronasios;Ivan Popov;Ivan Jordanov.The International Journal of Advanced Manufacturing Technology.2016, 1-4

[5]

Selective Search for Object Recognition [J].