典型文献
深度网络自适应优化的Mask R-CNN模型在铸件表面缺陷检测中的应用研究
文献摘要：
针对传统铸件表面缺陷检测方法不能进行分类检测、检测效率低以及检测精度低等问题,提出了一种深度网络自适应优化的Mask R-CNN模型,将其应用于铸件表面缺陷检测中,实现缺陷的精确识别和分类.选择裂纹、气孔和缩松3种常见缺陷作为研究对象,使用Labelme图像标注工具对铸件表面缺陷图像进行了标注,生成数据集.同时,运用Py-Torch深度学习框架搭建Mask R-CNN模型,利用深度迁移学习的网络自适应策略优化模型的泛化能力.通过主干特征提取网络对输入的图形数据进行全图特征提取;采用区域建议网络(Regional Proposal Network,RPN)生成区域建议框;利用RoI Align获取感兴趣区域,通过分类、回归网络分别进行分类、回归,同时进行掩膜生成;在铸件表面缺陷检测平台上进行验证实验,并与其他深度学习检测方法进行对比.实验结果表明,优化后的Mask R-CNN模型整体性能优于原Mask R-CNN模型、Faster R-CNN模型和YOLO v3模型,能准确检测出常见的铸件表面缺陷,平均检测精度mAP达到92％,对铸件表面缺陷检测领域有较好的研究应用价值.
文献关键词：
缺陷检测;深度学习;Mask R-CNN模型;迁移学习;深度网络自适应
中图分类号：
作者姓名：
马宇超;付华良;吴鹏;陈信华;王鼎;陈帅;曹晨雨
作者机构：
常州大学机械与轨道交通学院,常州213164;常州纺织服装职业技术学院,常州213164;溧阳市新力机械铸造有限公司,常州213300
文献出处：
引用格式：
[1]马宇超;付华良;吴鹏;陈信华;王鼎;陈帅;曹晨雨-.深度网络自适应优化的Mask R-CNN模型在铸件表面缺陷检测中的应用研究)[J].现代制造工程,2022(04):112-118
A类：
深度网络自适应
B类：
自适应优化,Mask,铸件表面缺陷,表面缺陷检测,缺陷检测方法,分类检测,检测效率,检测精度,精确识别,气孔,缩松,常见缺陷,Labelme,图像标注,Py,Torch,深度学习框架,框架搭建,深度迁移学习,自适应策略,策略优化,泛化能力,主干特征提取网络,形数,区域建议网络,Regional,Proposal,Network,RPN,生成区域,RoI,Align,感兴趣区域,掩膜,检测平台,验证实验,整体性能,Faster,YOLO,v3,mAP,检测领域,研究应用
AB值：
0.337922
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。
