基于改进的RetinaNet医药空瓶表面气泡检测

被引：7

作者：

吴华运

任德均

吕义钊

胡彬

付磊

邱吕

机构：

[1] 四川大学机械工程学院

来源：

四川大学学报(自然科学版) | 2020年 / 57卷 / 06期

关键词：

缺陷检测; 特征增强模块; 膨胀卷积模块; 卷积神经网络; 特征金字塔网络;

D O I：

暂无

中图分类号：

TP391.41 []; TP18 [人工智能理论];

学科分类号：

080203 ; 081104 ; 0812 ; 0835 ; 1405 ;

摘要：

医药空瓶在生产过程中瓶身表面会产生大量的气泡缺陷,但现有的方法对医药空瓶表面气泡检测存在各种问题,例如对复杂场景变化的鲁棒性不强,抗噪声干扰能力弱等.针对现有医药空瓶表面的气泡缺陷,提出了一种改进的深度学习目标检测算法RetinaNet对瓶身气泡进行检测.对原始RetinaNet算法中的特征金字塔网络结构进行了优化,在特征融合过程中引入了特征增强模块,用来提高网路对图像语义特征的提取,增强网络特征提取能力.为了减少模型的参数数目和计算时间,考虑到空瓶表面气泡均为小目标缺陷,去掉原始特征金字塔网络中用于检测大目标的网络结构,提高了算法检测速度.通过对标准的ResNet50网络进行重新组合,并引进了膨胀卷积模块,扩大特征图感受野,提高了模型检测的精度.通过在注塑空瓶数据集上对本文的方法进行了验证,其准确率为99.72%,漏检率为0.12%,误检率为0.16%,mAP为99.49%,相比原始的RetinaNet的mAP提高了接近2.4%.

引用

页码：1090 / 1095

页数：6

共 15 条

[1]

DetNet:A Backbone network for Object Detection. Zeming Li,Chao Peng,Gang Yu,et al. European Conference on Computer Vision . 2018

[2]

Feature pyramid networks for object detection. Lin T Y,Dollár P,Girshick R,et al. Proceedings of the 2017IEEE Conference on Computer Vision and Pattern Recognition . 2017

[3]

A surface defect detection method based on positive samples. Zhao Z,Li B,Dong R,et al. Proceedings of the Pacific Rim International Conference on Artificial Intelligence . 2018

[4]

Fully convolutional networks for surface defect inspection in industrial environment. Yu Z,Wu X,Gu X. . 2017

[5]

Focal Loss for Dense Object Detection. LIN T Y,GOYAL P,GIRSHICK R.et al. IEEE Transactions on Pattern Analysis&Machine Intelligence . 2017

[6]

Imagenet classification with deep convolutional neural networks. Krizhevsky A,Sutskever I,Hinton G E. Neural Information Processing Systems . 2012

[7] 基于机器视觉的瓶装白酒杂质检测 [J].

邵志敏 ;

张意 ;

张卫华 ;

周激流 .

四川大学学报(自然科学版), 2019, 56 (02) :235-240

[8] 改进的RetinaNet模型的车辆目标检测 [J].

宋欢欢 ;

惠飞 ;

景首才 ;

郭兰英 ;

马峻岩 .

计算机工程与应用, 2019, 55 (13) :225-230

[9]

A comparative study of texture measures with classification based on featured distributions[J] . &nbspPattern Recognition . 1996 (1)

[10]

Retinal vessel segmentation based on conditional deep convolutional generative adversarial networks[J/EB]. Jiang Y,Tan N. .

← 1 2 →