典型文献
基于STM R-CNN的热轧带钢表面缺陷检测
文献摘要：
为了提高工业热轧带钢表面缺陷检测的检测精度,将深度学习研究领域的前沿技术应用于带钢表面缺陷检测.提出了一种以Swin Transformer作为骨干特征提取网络,级联多阈值结构作为输出层的热轧带钢表面缺陷检测算法.将Transformer结构应用于带钢表面缺陷检测领域,与单纯基于卷积网络的深度学习目标检测算法相比,能够达到更加精确的检测效果.首先,使用Swin Transformer作为骨干特征提取网络代替常规的残差网络结构,增强特征网络对隐含在图像中的深层语义信息的摄取能力.其次设计多级联检测结构,设置逐级的IoU阈值,实现检测精度与阈值提升的权衡.最后使用柔性非极大值抑制(Soft-NMS)、FP16混合精度训练和SGD优化器等训练策略加速模型收敛和提升模型性能.实验结果表明:本文算法在工业热轧带钢数据集(NEU-DET)上相较于YOLOv3、YOLOF、DeformDetr、SSD512和SSDLit等深度学习算法都有更好的检测效果,在裂纹(crazing,Cr)、夹杂(inclusion,In)、斑块(patches,Pa)、麻点(pitted surface,PS)、压入氧化铁皮(rolled-inscale,RS)、以及划痕(scratches,Sc)等表面缺陷检测中训练速度和检测精度都有显著的提升,漏检率显著降低.
文献关键词：
深度学习;缺陷检测;Swin Transformer;NEU-DET;热轧带钢;机器视觉
中图分类号：
作者姓名：
于波;张新凯;王卫
作者机构：
中国科学院 沈阳计算技术研究所,沈阳 110168;中国科学院大学,北京 100049;东北大学 计算机科学与工程学院,沈阳 110169
文献出处：
引用格式：
[1]于波;张新凯;王卫-.基于STM R-CNN的热轧带钢表面缺陷检测)[J].计算机系统应用,2022(10):122-133
A类：
FP16,YOLOF,DeformDetr,SSD512,SSDLit,crazing,pitted,inscale
B类：
STM,热轧带钢,带钢表面缺陷,钢表面缺陷检测,检测精度,学习研究,前沿技术,Swin,Transformer,特征提取网络,多阈值,出层,结构应用,检测领域,卷积网络,学习目标,目标检测算法,检测效果,残差网络结构,深层语义信息,摄取,级联检测,检测结构,逐级,IoU,阈值提升,柔性非极大值抑制,Soft,NMS,混合精度,SGD,优化器,训练策略,略加,加速模型,模型性能,NEU,DET,YOLOv3,深度学习算法,夹杂,inclusion,In,斑块,patches,Pa,麻点,surface,PS,氧化铁皮,rolled,RS,划痕,scratches,Sc,训练速度,漏检率,机器视觉
AB值：
0.325561
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。
