基于Faster R-CNN的钢板表面缺陷检测方法

摘要

对钢板表面常见缺陷和现有的基于深度学习的表面缺陷检测算法进行分析,选用Faster R-CNN(region-based convolutional neural network)模型对钢板表面缺陷进行检测.由于 Faster R-CNN中的RoI Pooling池化操作产生的像素偏差和空间位置偏差会影响检测精度,选用在小缺陷细节特征上表现更好的RoI Align作为改进Faster R-CNN的特征池化模块.在PyTorch框架上对YOLOv3、Faster R-CNN和改进Faster R-CNN模型进行训练与测试,结果表明,改进Faster R-CNN的平均检测精度为87.14％,相比YOLOv3和Faster R-CNN检测精度分别提高4.81％和2.07％,对于小缺陷的检测精度的提高更为显著.