基于自适应全局定位算法的带钢表面缺陷检测

摘要：

针对热轧带钢表面缺陷检测存在的智能化水平低、检测精度低和检测速度慢等问题,提出了一种基于自适应全局定位网络(Adaptive global localization network,AGLNet)的深度学习缺陷检测算法.首先,引入一种残差网络(Resid-ual network,ResNet)与特征金字塔网络(Feature pyramid network,FPN)集成的特征提取结构,减少缺陷语义信息在层级传递间的消失;其次,提出基于TPE(Tree-structure Parzen estimation)的自适应树型候选框提取网络(Adaptive tree-structure region proposal extraction network,AT-RPN),无需先验知识的积累,避免了人为调参的训练模式;最后,引入全局定位回归算法,以全局定位的模式在复杂的缺陷检测中实现缺陷更精确定位.本文实现一种快速、准确、更智能化、更适用于实际应用的热轧带钢表面缺陷的算法.实验结果表明,AGLNet在NEU-DET热轧带钢表面缺陷数据集上的检测速度保持在11.8帧/s,平均精度达到79.90％,优于目前其他深度学习带钢表面缺陷检测算法.另外,该算法还具备较强的泛化能力.

关键词：表面缺陷检测、深度学习、特征金字塔网络、自适应树型候选框提取、全局定位

所属期刊栏目：50

分类号：TP393;TN925.93;TF301

在线出版日期：2024-09-03（万方平台首次上网日期，不代表论文的发表时间）

页数：共15页

页码：1550-1564