典型文献
基于机器学习的连铸坯低倍缺陷检测
文献摘要：
针对连铸坯低倍缺陷评级问题,建立了一种基于深度学习框架的系统解决方案.基于显著目标提取的深度网络模型进行了连铸坯区域提取和几何校正;基于YOLO V4的缺陷目标检测算法,进行了检测类缺陷的检测与识别,以标准的平均正确率AP(Average Precision)指标作为评价指标,"中心缩孔"、"中心疏松"、"非金属夹杂"、"皮下气泡"和"中心偏析"五类缺陷检测的AP分别达到了82.19％、97.63％、54.27％、66.20％和29.29％;基于MASK RCNN的缺陷实例分割算法,进行了分割类缺陷的检测与识别,以标准的AP(0.5-0.95)作为评价指标,"中心裂纹"、"角部裂纹"、"中间裂纹"和"皮下裂纹"4类缺陷检测和分割的AP(0.5-0.95)达到了0.78,特别地,以生产应用角度出发,AP(0.5)达到了0.96,可以较好地满足缺陷检测需要.
文献关键词：
连铸;缺陷检测;低倍评级;深度学习;区域提取;图像校正
中图分类号：
作者姓名：
韩占光;周干水;谢长川
作者机构：
中冶南方连铸技术工程有限责任公司研究院,湖北武汉430073
文献出处：
引用格式：
[1]韩占光;周干水;谢长川-.基于机器学习的连铸坯低倍缺陷检测)[J].连铸,2022(06):38-44
A类：
缺陷评级,低倍评级
B类：
基于机器学习,连铸坯,铸坯低倍,低倍缺陷,缺陷检测,深度学习框架,显著目标,目标提取,深度网络模型,区域提取,几何校正,YOLO,V4,目标检测算法,检测与识别,AP,Average,Precision,缩孔,中心疏松,非金属夹杂,皮下气泡,中心偏析,五类,MASK,RCNN,实例分割,分割算法,中心裂纹,角部裂纹,中间裂纹,生产应用,图像校正
AB值：
0.435481
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。
