Новый алгоритм обнаружения дефектов стали на основе глубокого обучения
A New Steel Defect Detection Algorithm Based on Deep Learning
Аннотация
В последние годы, по мере развития глубокого обучения, всё больше исследователей занимаются разработкой алгоритмов обнаружения объектов. При этом обнаружение и распознавание мелких и сложных объектов остаются нерешённой задачей. Авторы учитывают ограничения алгоритмов глубокого обучения при обнаружении мелких и сложных дефектов и представляют усовершенствованный алгоритм обнаружения дефектов поверхности стали. Такие дефекты серьёзно снижают качество стали. Поскольку точность большинства существующих алгоритмов на наборе данных NEU-DET невысока, авторы проверили на этом наборе алгоритм обнаружения дефектов поверхности стали на основе машинного зрения, предназначенный для выявления дефектов в производстве стали. В традиционный алгоритм Faster R-CNN внесли ряд изменений, в том числе перестроили его архитектуру. С учётом малых размеров объектов сеть обучали с использованием многомасштабного объединения признаков. Для обработки сложных признаков объектов часть обычных свёрточных слоёв заменили деформируемыми свёрточными слоями. Эксперименты показали, что модель глубокого обучения, обученная предложенным методом, обладает хорошими характеристиками обнаружения: средняя точность составила 0,752, что на 0,128 выше, чем у исходного алгоритма. Точность обнаружения сетки трещин, включений, пятен, точечных дефектов поверхности, вкатанной окалины и царапин составила соответственно 0,501, 0,791, 0,792, 0,874, 0,649 и 0,905. Предложенный метод позволяет эффективно выявлять мелкие дефекты поверхности стали и может служить ориентиром для автоматического обнаружения дефектов стали.
Переведем эту статью за 1 час
Загрузите PDF, а мы сделаем полный перевод, краткий конспект и красивую инфографику.
Попробовать бесплатно →Также в Подтеме: еженедельные литобзоры, база международных клинреков и конспекты свежих мед. статей и подкастов каждый день.