基于深度学习算法的尿素泵体用铝型材表面瑕疵检测

摘要：

尿素泵为机动车尾气后处理系统的核心设备,泵体材料一般为铝型材,在铝型材生产过程中,受工艺等因素的影响会产生各种瑕疵,影响铝型材的质量.传统人工检测,质检的效率和准确率难以满足生产需要.本文将深度学习算法引入到缺陷检测中,结合迁移学习原理,使用小批量数据集,利用改进的YOLO模型进行训练,预测铝型材表面瑕疵.试验结果显示,尽管在小批量训练的条件下,验证集mAP值为87.43％,仍取得了98.2％的准确率,比拟人工检测的准确率,并可以快速、准确的定位缺陷部位.此技术有望革新现有质检流程,自动完成质检任务,保证产品的质量;另外,基于深度学习算法表面缺陷检测方法,鲁棒性好,具有一定的普适性,可以推广到相关的其他应用领域.

关键词：深度学习、迁移学习、表面瑕疵检测、YOLO模型、DCNN

所属期刊栏目：48

分类号：TH3;TP311(泵)

在线出版日期：2020-09-17（万方平台首次上网日期，不代表论文的发表时间）

页数：共7页

页码：47-52,77