典型文献
基于Refine-ACTDD的铸件外观微小缺陷检测方法
文献摘要：
针对复杂铸件外观缺陷体积小、背景复杂干扰大,较难实现高精度缺陷检测的问题,提出一种基于深度学习的铸件外观缺陷检测模型(Refine-ACTDD).该模型基于RefineDet算法,采用密排的锚点设计方法提高微小缺陷的正检率,并引人注意力机制减少复杂背景对检测的干扰.同时,提出一种将深度学习与轮廓发现相结合的方法实现对小样本缺陷的端到端检测.经过数据采集,制作包含7 816张铸件外观缺陷图片的大型数据集ALU-DEF.最后,采用对比训练方法在数据集上进行训练和测试.实验结果表明,该算法能够达到95.44％的平均正检率,相比于Faster-RCNN和YOLOv3算法具有更高的平均精确率(MAP)和正检率.
文献关键词：
深度学习;缺陷检测;铝合金压铸件;微小缺陷
中图分类号：
作者姓名：
丛明;卢长奇;刘冬;肖庆阳;李荣东
作者机构：
大连理工大学机械工程学院,辽宁 大连 116024;大连亚明汽车部件股份有限公司,辽宁 大连 116041
文献出处：
引用格式：
[1]丛明;卢长奇;刘冬;肖庆阳;李荣东-.基于Refine-ACTDD的铸件外观微小缺陷检测方法)[J].计算机集成制造系统,2022(09):2815-2824
A类：
Refine,ACTDD
B类：
微小缺陷,小缺陷检测,缺陷检测方法,体积小,外观缺陷检测,检测模型,RefineDet,锚点,引人注意,注意力机制,复杂背景,小样本,端到端检测,ALU,DEF,训练方法,Faster,RCNN,YOLOv3,精确率,MAP,铝合金压铸件
AB值：
0.354308
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。
