基于深度学习模型融合的铸件缺陷自动检测

作     者：杨珂 方诚 段黎明 Yang Ke;Fang Cheng;Duan Liming

作者机构：重庆大学光电技术及系统教育部重点实验室ICT研究中心重庆400044 重庆大学机械与运载工程学院重庆400044 

出 版 物：《仪器仪表学报》 (Chinese Journal of Scientific Instrument)

年 卷 期：2021年第42卷第11期

页      面：150-159页

核心收录：

学科分类：080503[工学-材料加工工程] 080202[工学-机械电子工程] 08[工学] 0805[工学-材料科学与工程（可授工学、理学学位）] 0802[工学-机械工程] 080201[工学-机械制造及其自动化] 

基　　金：重庆市技术创新与应用发展专项(cstc2019jscx-msxmX0058) 国家重大科学仪器设备开发专项(2013YQ030629)资助 

主　　题：缺陷检测 深度学习 模型融合 铸件 

摘      要：针对目前铸件缺陷检测漏检率高的问题,提出一种基于深度学习模型融合的铸件缺陷检测方法。首先对Faster RCNN网络进行改进,利用特征金字塔结构改进特征提取网络模块,实现多尺度的特征融合,完成铸件缺陷的特征提取;然后,基于ROI Align对网络中的ROI池化层进行改进,将IOU分数引入NMS算法判定过程;再将改进后的网络与Cascade RCNN以及YOLOv3进行融合;最后进行实验研究,验证了融合模型能够有效降低铸件缺陷的漏检率。实验结果表明,将感兴趣区域池化改进后,在Faster RCNN模型中的缺陷召回率提升了1.73%,在本文网络模型中的缺陷召回率提升了4.08%;采用模型融合的方法在不考虑分类准确度的情况下,整个模型的缺陷识别率达到95.71%,与单个模型相比,在保证铸件缺陷检测准确率的同时,提高了缺陷检测的召回率,满足了工业应用的要求。