典型文献
基于多模型级联的轻量级缺陷检测算法
文献摘要：
基于深度学习技术的缺陷检测算法往往因为网络参数较多而需要大量的图像样本去训练模型,但是在工业生产过程中缺陷产品数量极少,采集大量缺陷数据图像费时又费力.针对这一难题,本文提出了一种基于多模型级联的轻量级缺陷检测算法,采用监督学习的训练方式,通过少量缺陷样本就可以获得较好的检测效果.首先,使用CBAM注意力残差模块代替常规卷积层进行特征提取,以聚焦缺陷特征,强化网络对缺陷的表征能力;其次,设计了SE-FPN模块,促进各级特征之间有效融合,提高网络对缺陷的分割效果,尤其是对小缺陷的分割效果;最后,在训练阶段,采用监督学习方式对本文所提的多模型算法网络进行训练.实验结果表明,本文所提算法在KolektorSDD数据集上的检测准确率高达99.28％,每张图像的平均检测时间仅需10.5 ms,不但充分满足了工业检测行业高精度、实时性的要求,同时,还能实现对缺陷区域精准定位.因此,本文的研究内容非常适合应用在工业产品表面质量在线检测领域.
文献关键词：
缺陷检测;多模型级联;监督学习;注意力;特征融合
中图分类号：
作者姓名：
周宣;沈希忠
作者机构：
上海应用技术大学电气与电子工程学院 上海201418
文献出处：
引用格式：
[1]周宣;沈希忠-.基于多模型级联的轻量级缺陷检测算法)[J].电子测量技术,2022(07):125-130
A类：
多模型级联,KolektorSDD
B类：
轻量级,缺陷检测,检测算法,深度学习技术,网络参数,像样,训练模型,缺陷产品,产品数量,极少,缺陷数据,费时,费力,监督学习,训练方式,检测效果,CBAM,残差模块,卷积层,层进,缺陷特征,表征能力,SE,FPN,有效融合,分割效果,小缺陷,训练阶段,学习方式,模型算法,法网,检测准确率,每张,检测时间,ms,工业检测,检测行业,区域精准,精准定位,非常适合,工业产品,表面质量,质量在线检测,检测领域,特征融合
AB值：
0.429343
相似文献
机标中图分类号，由域田数据科技根据网络公开资料自动分析生成，仅供学习研究参考。
