磁瓦图像具有光照不均、表面纹理复杂、对比度低等特点,针对传统的缺陷检测算法难以准确分割其中缺陷的问题,提出基于掩膜区域卷积网络(Mask R-CNN)的缺陷检测算法.该算法首先通过限制对比度的自适应直方图均衡化方法对图像进行预处理;然后,采用残差网络50(ResNet50)构建特征金字塔网络(FPN)获取图像信息并提取特征,再采用区域建议网络(RPN)提取缺陷区域的感兴趣区域,得到相应的锚框,并通过全卷积神经网络(FCN)对感兴趣区域内部的像素类别进行预测,以实现缺陷分割;最后通过网络的全连接层实现每个感兴趣区域所属类别和相应锚框坐标的预测.实验结果表明,该算法具有较强的泛化能力,可以对表面存在大量纹理复杂、光照不均和对比度低的磁瓦图像进行精确的缺陷分割,具有较强的鲁棒性.

表面缺陷检测;掩膜区域卷积网络;特征金字塔网络;磁瓦

湖南理工学院 信息科学与工程学院,湖南 岳阳 414006

[1]郭龙源;段厚裕;周武威;童光红;吴健辉;欧先锋;李武劲-.基于Mask R-CNN的磁瓦表面缺陷检测算法)[J].计算机集成制造系统,2022(05):1393-1400

掩膜区域卷积网络

Mask,磁瓦,表面缺陷检测,检测算法,光照不均,表面纹理,对比度,自适应直方图均衡化,残差网络,ResNet50,特征金字塔网络,FPN,图像信息,提取特征,区域建议网络,RPN,感兴趣区域,锚框,全卷积神经网络,FCN,区域内部,像素,缺陷分割,全连接层,泛化能力

0.250917